Nvidia tercer parcial
Juan Carlos Peralta Ruiz
30 de noviembre de 2019
Descripcion de la empresa NVIDIA
"Nvidia Corporation, más comúnmente conocida como Nvidia, es una compañía de tecnología estadounidense constituida en Delaware y con sede en Santa Clara, California. Nvidia diseña unidades de procesamiento de gráficos para los mercados de videojuegos y profesionales, así como sistema en unidades de chip (SoC) para el mercado de computación móvil y automotriz. Su línea principal de productos, GeForce, está en competencia directa con los productos Radeon de AMD.
Además de la fabricación de GPUs, Nvidia proporciona en todo el mundo capacidades de procesamiento en paralelo a investigadores y científicos, que les permiten ejecutar de manera eficiente aplicaciones de alto rendimiento. Más recientemente, se ha trasladado al mercado de la informática móvil, donde produce procesadores móviles Tegra para consolas de videojuegos, tablets y sistemas de navegación autónoma y entretenimiento para vehículos. Esto ha llevado a que desde 2014, Nvidia se ha transformado en una compañía enfocada en cuatro mercados: juegos, visualización profesional, centros de datos e inteligencia artificial y automoviles."
Más información en: https://www.profesionalreview.com/nvidia/
NVIDIA en los ultimos años ha sido la empresa lider en su rubro (procesadores graficos), la empresa contiza en la bolsa desde 1999, a o largo de los años la industria de los videojuegos ha ido evolucionando, en esta evolucion la empresa ha jugado un papel importante ya que ellos ganaron el contrato para otorgar el procesador grafico al primer xbox de microsoft, lo cual le dio mucha fortaleza y fidelidad a la compañia, a traves de los años sus GPU´s se han vuelto el foco de atencion para los gamers de computadora, ya que la primera especificacion que se busca para una “computadora Gamer” es su procesador Grafico. El nombre de NVIDIA como procesador grafico en cualquier computadora es sinonimo de poder y confianza para cualquier jugador. Esto Repercute directamente en su poderio que tiene en el mercado sobre su competencia. Ademas la aplicacion de una nueva forma de Inteligencia Artificial diseñada directamente para los videojuegos en una gpu esta haciendo que revolucione el mercado de un manera impresionante.
Precios de Cierre
TickerList<- c("NVDA") # hat = gorrito, LOS INDICE SIEMPRE LLEVAN HAT
LosPreciosQueQuiero<- NULL
for (Ticker in TickerList)
LosPreciosQueQuiero <- cbind(LosPreciosQueQuiero,
getSymbols(Ticker, from="2013-01-01", to="2019-10-28", auto.assign =F ,src='yahoo') [,4]) ## 'getSymbols' currently uses auto.assign=TRUE by default, but will
## use auto.assign=FALSE in 0.5-0. You will still be able to use
## 'loadSymbols' to automatically load data. getOption("getSymbols.env")
## and getOption("getSymbols.auto.assign") will still be checked for
## alternate defaults.
##
## This message is shown once per session and may be disabled by setting
## options("getSymbols.warning4.0"=FALSE). See ?getSymbols for details.View(LosPreciosQueQuiero)rendimientos <- as.timeSeries(tail(LosPreciosQueQuiero,-1) / as.numeric(head(LosPreciosQueQuiero,-1))-1)
rendimientos<- as.xts(rendimientos)
View(rendimientos)NVDa<- LosPreciosQueQuiero[,1]
NVDA_R<- rendimientos[,1]Grafica de los Precios de Cierre
# Graficas a niveles (precios de cierre)
ggplot(NVDa, aes(x=Index, y=NVDa)) +
ggtitle("Precio de Cierre NVDa: enero 2013 - octubre 2019") +
geom_line(color="orange") +
xlab("Fecha")+
ylab("Precio de cierre")## Don't know how to automatically pick scale for object of type xts/zoo. Defaulting to continuous.
Se puede apreciar en la grafica que la serie es creciente a lo largo del tiempo, su crecimiento se dio a partir del 2016, debido a la presentacion de sus nuevos productos y poder de mercado que empezo a presentar, esto se da por la necesidad de las nuevas generaciones de computadoras a tener un procesador grafico potente, de esta forma todas las marcas de computadoras empiezan a implementar procesadores graficos ademas de los incluidos en sus cpu’s, en una primera instancia los gpu’s eran de la empresa NVDIA lo cual genero este comportamiento. Aunado a esto se a lo largo su historia fue haciendose de grandes socios, creando nuevas implementaciones de sus tecnologias lo cual le dio una gran fuerza a la empresa y por lo tanto un mayor valor.
Grafica de Rendimientos
#Grafica en rendimientos
ggplot(NVDA_R, aes(x=Index, y=NVDA_R)) +
ggtitle("NVDA en rendimientos: enero 2013 - septiembre 2019") +
geom_line(color="orange") +
xlab("Fecha")+
ylab("Rendimiento")## Don't know how to automatically pick scale for object of type xts/zoo. Defaulting to continuous.
Observando los cluster de volatilidad a finales del 2016 se dieron a conocer varias noticias sobre la empresa que repercutieron directamente en la volatilidad, las cuales son las siguintes:
“El 6 de mayo de 2016 Nvidia presentó las tarjetas gráficas GeForce GTX 1080 y 1070, las primeras basadas en la nueva microarquitectura Pascal. Nvidia afirmó que ambos modelos superaron a su modelo Titan X basado en Maxwell. Estas tarjetas incorporan memoria GDDR5X y GDDR5 respectivamente, y usan un proceso de fabricación de 16 nm. La arquitectura Pascal también admite una nueva característica de hardware conocida como proyección múltiple simultánea (SMP), que está diseñada para mejorar la calidad del renderizado de múltiples monitores y realidad virtual. Pascal ha permitido fabricar ordenadores portátiles que cumplen con el estándar de diseño Max-Q de Nvidia. En mayo de 2017 Nvidia anunció una sociedad con Toyota Motor Corp por la cual esta última utilizará la plataforma de inteligencia artificial Drive serie X de Nvidia para sus vehículos autónomos. En julio de 2017 Nvidia y el gigante de búsqueda chino Baidu, Inc. anunciaron una asociación de gran alcance de inteligencia artificial que incluye computación en la nube, conducción autónoma, dispositivos de consumo y el framework de inteligencia artificial de Baidu, PaddlePaddle.”
Más información en: https://www.profesionalreview.com/nvidia/
Sin embargo a finales de 2018 presento rendimientos negativos: esto debido a que implemento la nueva generacion de tarjetas graficas RTX, una gama de tarjetas que llegaria a revolucionar el mercado, por la implementacion de Inteligencia Artificial que mejraria la calidad de los graficos, esta inteligencia rastreaba las imagenes que daban más luz para generar un sombreado ideal a los graficos. Sin embargo los juegos no estaban programados, para tal tecnologia por lo que era dificil encontrar un juego que aprovechara las caracteristicas de etsta tarjeta grafica al 100%, este problema se incrementa con los altos precios de esta tarjeta grafica, por lo que esta seccion de la compañia contagio a las demas. ya que es que la empresa haya cerrado con ganancias, pero con una caida importante en la bolsa.
Varianzas al Cuadrado
par(mfrow=c(2,1))
acf((NVDA_R)^2)
pacf((NVDA_R)^2)
Se puede observar que en ambos correlogramas se tiene una ligera autocorrelacion por lo que se puede apreciar en donde se encuentran los clusters de volatilidad, aparte de que un modelo ARIMA no nos ayudaria concretamente a tener el mejor pronostico posible, sino que debemos de aplicar cambios al ARIMA.
AutoArima
fit1<-auto.arima(NVDa, seasonal=FALSE)
fit1## Series: NVDa
## ARIMA(2,1,2) with drift
##
## Coefficients:
## ar1 ar2 ma1 ma2 drift
## -0.5866 -0.9071 0.5522 0.8652 0.1121
## s.e. 0.0510 0.0439 0.0610 0.0519 0.0780
##
## sigma^2 estimated as 11.13: log likelihood=-4500.28
## AIC=9012.55 AICc=9012.6 BIC=9045.24checkresiduals(fit1)
##
## Ljung-Box test
##
## data: Residuals from ARIMA(2,1,2) with drift
## Q* = 15.678, df = 5, p-value = 0.007825
##
## Model df: 5. Total lags used: 10Prueba Ljung-Box
Box.test(fit1$residuals^2, lag=30, type="Ljung-Box") #H0: Los residuales al cuadrado del ARIMA son homocedasticos##
## Box-Ljung test
##
## data: fit1$residuals^2
## X-squared = 877.03, df = 30, p-value < 2.2e-16#Si p.value mayor a 0.05 no se rechaza Ho #Si p.value menor a 0.05 se rechaza Ho
Al realizar la prueba Ljung-Box que nos indica el comportamiento de los residuales que tenemos, obtenemos que los resultados arrojados son de un p-value menor a .05 lo cual nos indica que nuestra serie cuenta con residuales de tipo Heterocedasticos.
Presentacion de las Tablas
En esta tabla se hicieron los comparativos con los requerimientos pedidos en el trabajo, lo cuales abarcan ARCH 1,2,3,4 y los modelos GARCH (1,1) (1,2) (2,1) (2,2), de estos modelos se eligieron de forma tal que uno nos otorgabo el mayor criterio de akaike y el otro nos otorga los mejores parametros sin caer en datos no significativos.
El primer modelo seleccionados tenemos un ARCH (4) los parametros nos idican lo siguiente:
El criterio de akaike es de -4.7102 es el criterio más alto de toda la tabla.
El rendimiento esta explicada en un 9.4% por la volatilidad del dia anterior y en 25.17% por la volatilidad de hace 4 dias. En conjunto se explica el modelo en un 34.57% , esto no revasa al 100% por lo que los calculos se estan haciendo correctamente.
En caso no se toman en cuenta los parametros de hce dos y tres dias debido a que no son significativos.
fit4##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : sGARCH(4,0)
## Mean Model : ARFIMA(0,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## omega 0.000355 0.000020 17.5660 0.000000
## alpha1 0.094403 0.031305 3.0156 0.002565
## alpha2 0.072409 0.038688 1.8716 0.061259
## alpha3 0.021592 0.017204 1.2550 0.209461
## alpha4 0.251783 0.040483 6.2194 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## omega 0.000355 0.000063 5.65930 0.000000
## alpha1 0.094403 0.042258 2.23397 0.025485
## alpha2 0.072409 0.086141 0.84058 0.400581
## alpha3 0.021592 0.016486 1.30973 0.190289
## alpha4 0.251783 0.142234 1.77020 0.076694
##
## LogLikelihood : 4046.381
##
## Information Criteria
## ------------------------------------
##
## Akaike -4.7102
## Bayes -4.6944
## Shibata -4.7103
## Hannan-Quinn -4.7044
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.202 0.2729
## Lag[2*(p+q)+(p+q)-1][2] 1.238 0.4270
## Lag[4*(p+q)+(p+q)-1][5] 3.346 0.3475
## d.o.f=0
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.01399 0.9059
## Lag[2*(p+q)+(p+q)-1][11] 0.31670 1.0000
## Lag[4*(p+q)+(p+q)-1][19] 0.85556 1.0000
## d.o.f=4
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[5] 0.01723 0.500 2.000 0.8956
## ARCH Lag[7] 0.07709 1.473 1.746 0.9925
## ARCH Lag[9] 0.12907 2.402 1.619 0.9993
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 1.8383
## Individual Statistics:
## omega 1.0003
## alpha1 0.8169
## alpha2 0.7221
## alpha3 0.6812
## alpha4 0.1923
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 1.28 1.47 1.88
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.9152 0.3602
## Negative Sign Bias 0.8995 0.3685
## Positive Sign Bias 0.2221 0.8243
## Joint Effect 4.5407 0.2087
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 200.1 3.207e-32
## 2 30 237.5 1.331e-34
## 3 40 234.5 9.591e-30
## 4 50 258.2 3.374e-30
##
##
## Elapsed time : 0.1914058plot(fit4, which = 3)
Se puede observar que el rendimiento va a muy de la mano con su volatilidad por lo que estariamos concluyendo correctamente que este modelo se adpta a lo requerido con esta prueba y es la que tiene un mayor criterio de akaike, por lo que esperamos que este modelo sea el que tomemos en cuenta para los pronosticos de volatilidad.
El segundo modelo que se escogio es fue un GARCH (1,1) este explica en mayor medida al modelo, el criterio de akaike no es el mas alto pero para diversificar nuestras opciones tomamos el que no tuviera perdidad en la informacion por lo cual no tenemos que descartar ningun dato, es decir lo que seria teoricamente correcto.
Los coeficiente de el modelo GARCH (1,1) son los siguientes:
El criterio de akaike es de -4.6649
El rendimiento de la accion esta explicado en un 1.25% por el dia anterior
*El rendimiento de la accion esta en un 98.45% por la varianza ajustada del dia anterios.
acomparacion del modelo anterior tenemos que se explica en mayor medida el modelo y sin la necesidad de quitar datos por esta razon este modelo es teoricamente correcto, así en conjunto el modelo esta explicado en un 99.7% lo cual no sobrepasa el 100%, por lo que estamos hablando de un modelo aceptable y concistente.
fit5##
## *---------------------------------*
## * GARCH Model Fit *
## *---------------------------------*
##
## Conditional Variance Dynamics
## -----------------------------------
## GARCH Model : sGARCH(1,1)
## Mean Model : ARFIMA(0,0,0)
## Distribution : norm
##
## Optimal Parameters
## ------------------------------------
## Estimate Std. Error t value Pr(>|t|)
## omega 0.000002 0.000001 2.6981 0.006975
## alpha1 0.012560 0.000692 18.1389 0.000000
## beta1 0.984540 0.000621 1585.2768 0.000000
##
## Robust Standard Errors:
## Estimate Std. Error t value Pr(>|t|)
## omega 0.000002 0.000008 0.28651 0.774492
## alpha1 0.012560 0.005597 2.24406 0.024828
## beta1 0.984540 0.001460 674.19960 0.000000
##
## LogLikelihood : 4005.454
##
## Information Criteria
## ------------------------------------
##
## Akaike -4.6649
## Bayes -4.6553
## Shibata -4.6649
## Hannan-Quinn -4.6613
##
## Weighted Ljung-Box Test on Standardized Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 1.575 0.2095
## Lag[2*(p+q)+(p+q)-1][2] 1.589 0.3411
## Lag[4*(p+q)+(p+q)-1][5] 4.020 0.2516
## d.o.f=0
## H0 : No serial correlation
##
## Weighted Ljung-Box Test on Standardized Squared Residuals
## ------------------------------------
## statistic p-value
## Lag[1] 0.7702 0.3801
## Lag[2*(p+q)+(p+q)-1][5] 1.3634 0.7734
## Lag[4*(p+q)+(p+q)-1][9] 1.7985 0.9276
## d.o.f=2
##
## Weighted ARCH LM Tests
## ------------------------------------
## Statistic Shape Scale P-Value
## ARCH Lag[3] 0.1418 0.500 2.000 0.7065
## ARCH Lag[5] 1.1469 1.440 1.667 0.6899
## ARCH Lag[7] 1.2899 2.315 1.543 0.8623
##
## Nyblom stability test
## ------------------------------------
## Joint Statistic: 35.1311
## Individual Statistics:
## omega 1.27144
## alpha1 0.09818
## beta1 0.15118
##
## Asymptotic Critical Values (10% 5% 1%)
## Joint Statistic: 0.846 1.01 1.35
## Individual Statistic: 0.35 0.47 0.75
##
## Sign Bias Test
## ------------------------------------
## t-value prob sig
## Sign Bias 0.5469 0.584521
## Negative Sign Bias 2.5979 0.009459 ***
## Positive Sign Bias 0.4947 0.620869
## Joint Effect 11.5064 0.009280 ***
##
##
## Adjusted Pearson Goodness-of-Fit Test:
## ------------------------------------
## group statistic p-value(g-1)
## 1 20 239.7 3.765e-40
## 2 30 255.4 4.633e-38
## 3 40 255.3 1.389e-33
## 4 50 270.4 2.184e-32
##
##
## Elapsed time : 0.113059plot(fit5, which = 3)
Desafortunadamente nustra varianza no se ajusta a la volatilidad, por lo que este modelo no lo tomaremos en cunta y nos podemos dar cuenta que ninguno de los modelos GARCH se va a ajustar. Por tal razon descartamos este modelo y nos quedamos con el modelo anteriormente propuesto.
Conclusion
A pesar de diversificar nuestros parametros vimos que no era necesario quedarnos con el más complejo, por tal motivo se recomienda realizar las pruebas en un futuro con los 4 modelos ARCH para poder tomar en cuenta cualquiera de ellos. De esta forma los rendimientos de la empresa NVIDIA pueden ser analizados mediante modelos ARCH los cuales se adaptan mejor para hacer un pronostico, al final con nuestro analisis podemos apreciar que la empresa NVIDIA ve explicados sus rendimientos por la volatilidad de dias pasados y podemos decir que la varianzas de los modelos Garch no permiten la adaptacion a lo que los rendimientos estan experimentando.