IAU ARIMA1
Karen Bastida
7/4/2020
Comportamiento del precio de IAU:
En las siguientes graficas nos muestran la tendencia del comportamiento que ha tenido iShare Gold Trust que es una emisora que usa “Commodities Precious Metals” o sea que replican el valor del oro pero aún menor costo al adquirirlo.
Como podemos observar tuvo una disminución en los precios desde mediados y finales del año 2015 debido a que el oro tuvo una alta volatilidad que fue provocada por las expectativas que se tenían sobre la política monetaria de la Reserva Federal de los Estados Unidos de América, así como la inestabilidad geopolítica que incrementa la aversión al riesgo. Al cierre del año, el precio del oro tuvo una caída de 10.41%. Incluso la S&P500 en el sector de materiales obtuvo una disminución en las accioneslos Newmont Mining, Barrick Gold y Coeur Mining cayeron entre un 20% y 25% a mediados del 2015, sin embargo, el debilitamiento económico en Europa y la desaceleración en el crecimiento de china freno las perdidas en la cotización del oro.
Mientras que en el año 2016 tiene una tendencia alcista el precio del oro dentro de la IAU debido a que en el primer trimestre del 2016 el Consejo Mundial del Oro que es la patronal internacional del sector, registro una demanda de un 21% mayor que del periodo del año anterior. Esto fue gracias a la cautela por parte de la Reserva Federal de Estados Unidos a la hora de subir los tipos de interés, dado que el precio del oro está relacionado con el precio del dólar americano y se explica que “Hay una correlación negativa muy fuerte entre el bono estadounidense a 10 años y el oro”. Además de que existe una combinación de factores que se han venido arrastrando desde el año anterior la desaceleración economía mundial, las políticas monetarias en todo el mundo que se han ido distendiendo y en la baja expectativa sobre el crecimiento global.
Para el año 2017 existe de igual forma como en años anteriores tensiones geopolíticas pero con una mayor incertidumbre dentro de la economía global, pero esta vez lo afecta de manera positiva como lo vemos representado en la gráfica de la ETF IAU tendiendo un alza en los precios, derivado de un incremento en las tensiones geopolíticas entre el gobierno de Estados Unidos, con sus similares en Corea del Norte, Rusia y Turquía, que elevaron la demanda del metal precioso.
Estos escenarios impulsaron una mayor la volatilidad y aversión al riesgo. Ante esto, el oro se perfila para terminar el año con ganancias, por lo que su activo de refugio fue potenciada, al mostrar un incremento en su precio de 9.85 por ciento a mitad de diciembre, cotizando en mil 265.83 dólares por onza.
Mientras que para principios del año 2018 continúan las alzas a los precios del oro debido a las perspectivas de desaceleración económica, una creciente incertidumbre política mundial y el conflicto comercial entre Estados Unidos y China han revalorizado el activo refugio por excelencia para todo el mundo que es el oro, sin embargo, durante todo este año a pesar de la volatilidad financiera, la aversión al riesgo, el valor del oro no se incrementó como en los años anteriores y lo podemos observar perfectamente en la gráfica, donde no tuvo una gran alza de precios. El fortalecimiento de la economía de Estados Unidos de America y su mejor dinámica laboral contribuyeron a esta evolución. A ello se vinculó la expectativa de nuevas alzas en la tasa de interés de la Fed, lo que provocó una bajada en la demanda de oro como activo de inversión. “Los mayores tipos fortalecen al dólar, disminuyendo la demanda de materias primas como el oro” lo que provocó una caída estrepitosa en el precio del oro.
A pesar de ello volvió a tener una tendencia al alza llevada a cabo por los acontecimientos vividos ya que el PIB mundial empezaba a trastabillar. El Fondo Monetario Internacional (FMI) volvía a rebajar sus previsiones sobre la economía global. China publicaba los datos del tercer trimestre, el menor repunte de su PIB desde 2009: un 6,5%. La riqueza de la Unión Europea aumentaba solo un 1,6%, la cifra más baja desde 2014.
En 2019 Los brotes de incertidumbre que viven los mercados financieros por la guerra comercial que tienen China y Estados Unidos, el Brexit de Reino Unido o la inestabilidad política en Italia han provocado de nuevo un alza en los precios del oro. El oro tuvo una corrección a la baja considerable entre finales de septiembre y principios de octubre, para después recuperarse y cotizar alrededor de $1,490 dólares la onza.
Ya en 2020 por el comienzo de la pandemia del Covid-19 que ha provocado sin fin de infectados en todo el mundo, ha traído consigo una enorme volatilidad e incertidumbre ya que al corto plazo, las perspectivas del metal dorado son inciertas, tomando en cuenta el comportamiento errático de los mercados durante las últimas semanas. A largo plazo por el contrario, el oro podría subir sostenidamente, apoyado por un entorno de amplios estímulos monetarios alrededor del mundo.
Teniendo en cuenta el colapso de las principales bolsas de valores del mundo y la inyección agresiva de estímulos por parte de numerosos bancos centrales. Pero con los tipos de interés al suelo en países como Estados Unidos, la Unión Europea, Japón y Reino Unido, tal vez sea posible que el oro pueda subir sus precios a un largo plazo si es que los mercados retoman la calma .
Vamos a comprar las tendencianas registradas en las graficas una de ellas por S&P500, que representa las 500 emisoras más representativas que cotizan en Estados Unidos, se puede ver un comportamiento inverso a IAU, esto tiene que ver con la fuerza de arrastre y contagio que tiene el S&P500 sobre los índices de economías emergentes, lo cual se puede corroborar en el Gráfico 2.
En lo que refiere a los rendimientos, el S&P500 en promedio osciló entre 3%y 5% en tanto que IAU estuvo fluctuando entre 5% debido a que el oro es un instrumento que presenta una mayor volatilidad, es decir, presenta más dispersión en sus precios.
Debido a la pandemia del Covid-19 Originaria de Wuhan-China, trajo una enorme volatilidad al mercado, pero que ha provocado efectos contrarios en el comportamiento del oro cuando existe una gran aversión al riesgo, ya que no ha habido un alza en los precios en un corto plazo pero si provocara un alza al largo plazo.
Elevó su precio casi en un 20% con respecto al dólar en 2019 ya que en enero, el precio del oro alcanzó su nivel más alto en siete años, subiendo a casi 1,600 dólares (unos 1,432 euros) por onza troy o 50,798 dólares por kilogramo.
Para el grafico 2 vemos que tenemos picos muy altos tanto para el S&P500 como para el precio del oro de la emisora IAU. Los primeros de ellos se muestran en durante el periodo de 2016 mientras que en años siguientes no tenemos picos tan pronunciados pero si hay subidas.
Debido a que el Consejo Mundial del Oro que es la patronal internacional del sector, registró una demanda de un 21% mayor que del periodo del año anterior. Gracias a las medidas de la Reserva Federal de EUA en cuanto a los tipos de interés.
La desaceleración economía mundial, las políticas monetarias en todo el mundo que se han ido distendiendo y en la baja expectativa sobre el crecimiento global.
Para el año 2017 no hay picos tan resaltantes como ocurrió en el periodo anterior pero si podemos denotar ciertos acontecimientos que sucedieron que incrementaron el precio del oro.
El primer factor de ese año fueron Las negociaciones entre Reino Unido y la Unión Europea trajeron consigo incertidumbre relacionada con la administración de Teresa May.
El segundo fueron las elecciones presidenciales en Francia, Alemania y Holanda, países en donde también se observó un incremento en los movimientos populistas de extrema derecha. Sin embargo, dichos movimiento fracasaron, lo cual evitó que el oro continuara subiendo.
El último factor estuvo relacionado con el Presidente de Estados Unidos, Donald Trump, y su administración. A cauda de las políticas proteccionistas de la administración de Trump y sus posibles efectos sobre la economía global.
En 2018 no hubo un gran incremento en los precios del oro como se esperaba, hubo algunos factores que sucedieron:
La incertidumbre en la política mundial y el conflicto comercial entre Estados Unidos y China.
El fortalecimiento de la economía de Estados Unidos de América y su mejor dinámica laboral y se vinculó la expectativa de nuevas alzas en la tasa de interés de la Fed, lo que provocó una bajada en la demanda de oro.
Después de nuevo tiende a un alza debido a que el FMI volvía a rebajar sus previsiones sobre la economía global.
China tuvo un bajo PIB
Para 2019 continua las tenciones comerciales entre las dos grandes potencias mundiales que son Estados Unidos y China, el conflicto político de Reino Unido sobre el Brexit.
La caída del dólar americano ante otras divisas extranjeras. Cuando el dólar se devalúa, favorece el precio de las materias primas porque, al estar típicamente cotizadas en dólares, las hace más atractivas para su compra.
La subida del precio del petróleo crudo que es el líder del sector en las materias primas, impulsó aún más el valor del oro.
Incertidumbre geopolítica por el ataque con drones que realizo Eestados Unidos en el aeropuerto de Bagdad en el que murió Qasem Soleimani, líder militar iraní. El asesinato se produjo en medio de las crecientes tensiones entre EU e Irán y alimentó los temores de un conflicto militar más amplio en Oriente Medio.
Mientras que para el 2020 paralizo al país con mayor consumo de oro del mundo que es China debido a la pandemia del Covid-19, esto trajo consigo una parálisis económica a nivel mundial debido a que el mayor productor del mundo había frenado casi por completo su industria, de la cual todo el mundo depende, y que además obligo a casi todo el mundo a frenar las actividades económicas. Las bolsas de valores cayeron, el dólar contra el peso mexicano se disparó, la inflación comienza a encarecer productos básicos y el oro no ha sido el respaldo que los inversionistas esperaban que actuara
Correlación entre IAU y S&P500
La correlación que existe entre los precios de cierre a niveles y entre los rendimientos de IAU y el S&P500, es del 69.80% y de 10.91 % respectivamente. Una explicación de esto podría ser que el índice de S&P500 es afectado por las incertidumbres en el mercado, las aversiones al riesgo, las crisis u desaceleraciones económicas globales o a los cambios políticos monetarios y fiscales a los que se somete Estados Unidos, mientras que el oro es afectado positivamente por lo anteriormente mencionado ya que es el refugio por excelencia ante cualquier crisis
SP500 IAU
SP500 1.0000000 0.6980193
IAU 0.6980193 1.0000000 SP500 IAU
SP500 1.0000000 -0.1091066
IAU -0.1091066 1.0000000Histogramas y gráficos Q-Q
Un histograma es la representación de una frecuencia sobre una variable que nos dará una gráfica de estadística. Que nos ayudara a comprender de una mejor manera todos los datos que hemos adquirido. En este caso tenemos dos graficas una que es la representación de los datos recolectados de la S&P500 y el otro de la emisora IAU.
En la gráfica 3 se nos presenta los histogramas niveles del S&P500 y del IAU; el eje vertical representan las frecuencias y en el eje horizontal los valores de las variables (puntos base y precios respectivamente).
El histograma del S&P500 a niveles indica que, en el periodo de muestra, el índice tuvo mayor número de repeticiones en los 2100 puntos (48 veces). Sin embargo, la mayor parte de la distribución se centra entre los 2000 y los 3000 puntos. Para el caso de nuestra emisora IAU el máximo número de repeticiones de EDZ, su mayor número de repeticiones es de 85 para el precio de 12.3 USD. Sus otros precios van de los 15.6USD con 7 repeticiones.
En lo que refiere a los rendimientos, en promedio, los rendimientos presentan un proceso de reversión a la media (0), sin embargo, la distribución de los rendimientos del S&P500 oscila entre el 3% y 5% mientras que el de IAU es de 5%, tal cual como se observó en la gráfica 2. La gráfica 4 presenta el histograma de los dos instrumentos que se han estado analizando en rendimientos.
Los gráficos Cuantil-Cuantil (también referidos como q-q plots) es la representación gráfica de la distribución de un conjunto de datos a alguna distribución ideal o a priori que se asume como dada. La finalidad de estos gráficos es comparar la distribución teórica (la que suponemos o queremos como se comporte) contra la distribución empírica (la que realmente presenta la variable).
El siguiente gráfico muestra los gráficos Q-Q del S&P y de IAU; los cuantiles teóricos o la distribución contra la que se están comparando los precios es contra una distribución normal; si la distribución empírica fuera así, entonces los puntos de dispersión deberían de distribuirse en torno a la recta.
Lo que se observa es que sí hay una parte de la distribución que se asocia a la línea recta, sin embargo, son más los datos, sobre todo en los extremos o en las colas, donde la distribución se “despega” de la normalidad.
Para los gráficos Q-Q de rendimientos, se les observa un comportamiento donde en el S&P500 tiende a tener a comienzos y finales de la gráfica una gran dispersión que no se alinea con la recta mientras que más en medio los datos están más juntos por lo que están más alineados a la recta, donde se tuvieron el cumplimiento de los rendimientos lo que significa que se mantuvieron constantes por lo que se podría decir que se cumple con la estacionariedad o la normalidad de los datos, no obstante se presentaron dispersiones debido a que se rebaso su media.
Nuestra grafica de los rendimientos de la IAU como pudimos ver en su histograma tiene dispersiones o rezagos que se pueden ver ya de mejor manera en la gráfica de cuantiles teóricos IAU donde hay una dispersión al principio y al final que son mucho más pronunciadas en la grafica ya que tuvieron mayores rendimientos que la media, probablemente provocados por la desaceleración económica, tenciones geopolíticas, teniendo una alta volatilidad que es lo que más beneficia al precio del oro etc, mientras que en medio los datos están alineados perfectamente con la recta y que es mucho más duradera que la del S&P500, sin embargo, tiene el mismo problema no se puede asegurar que sea estacionaria o que tenga una distribución normal.
Estacionariedad y pruebas de raices unitarias
El concepto de estacionariedad es importante para la estimación y para la elaboración de pronósticos, el no garantizar esta condición implicaría que las series, no serían independientes e idénticamente distribuidas, ocasionado problemas de sesgo en las estimaciones, regresiones espurias o el mal cálculo de las bandas de confianza a partir de datos que se encuentran correlacionados.
Las pruebas de raíces unitarias permiten identificar si la serie es estacionaria o no, verificando si la serie tiene alguna estructura de dependencia con los datos anteriores. Al pronosticar series de tiempo, se asumen que estas son aleatorias, por lo tanto:
Ecuación 1
\[E\left ( Y_t \right| \phi_t )=0\] Donde \(Y_t\) es el valor esperado de la variable condicionado a \(\phi_t\), que refiere a la información pasada o registrada de la misma variable. Si esta variable es aleatoria, entonces su valor esperado es 0. La ecuación 1 también se le conoce como un proceso estocástico y en este caso, los precios se comportan de manera aleatoria, es decir:
Ecuación 2
\[f\left ( Y_t \right| Y_{t-1} )=f ( Y_{t} )\] Cuando llega nueva información, los precios de las acciones fluctuarán aleatoriamente, al menos así lo dice la teoría.
Adicional al supuesto de la ecuación 1, las condiciones de estacionariedad también implican que las series sean homocedásticas, es decir, que su varianza sea constante. Este supuesto es difícil de cumplir para las series financieras debido a la dispersión o volatilidad que presentan los datos, sin embargo, de este supuesto nos encargaremos después.
Lo primero que se requiere garantizar es que la serie no tenga problemas de raíces unitarias, para que al menos se pueda garantizar el primer supuesto (valor esperado = 0).
Pruebas de raíces unitarias
Las pruebas que se utilzian para detectar raíces unitarias en este análisis son: Dickey Fuller Aumentada (DFA), Phillips Perron y la prueba Kwiatkowski - Phillips - Schmidt - Shin (KPSS). La tabla 4 muestra los resultados de S&P500 y de EDZ a niveles y rendimientos.
Nuestro valor de p de la ETF IAU es de 0.2483 por lo que no se rechaza la Ho ya que presenta un problema de raíz unitaria a niveles por lo tanto no es un modelo estacionario ya que su varianza no es constante. Lo mismo pasa con el valor de p de Phillips Perron que es de 0.315 entonces también cuenta con una raíz unitaria y no es estacionario. Aunque es probable que su varianza no sea constante porque la ETF iShares Gold Trust cuenta con un alta volatividad debido a que el instrumento que replica es el oro.
Cuando se aplican los rendimientos a ambas pruebas, el valor de P se convierte en 0.01 por lo que es menor a 0.05, así mismo con la prueba KPSS donde también obtenemos resultados de 0.01. Entonces se puede decir que se rechazara la Ho por lo que el modelo ya no cuenta con raíz unitaria y es estacionario
| Variable | \(DFA^{a/}\)(Valor p) | \(Phillips-Perron^{b/}\)(Valor p) | \(KPSS^{c/}\)(Valor p) |
|---|---|---|---|
| S&P500 (a niveles) | 0.4464 | 0.5515 | 0.01 |
| S&P500 (rendimientos) | 0.01 | 0.01 | 0.1 |
| IAU (a niveles) | 0.2483 | 0.315 | 0.01 |
| IAU (rendimientos) | 0.01 | 0.01 | 0.1 |
\(^{a/}H0\): La serie tiene raíz unitaria
\(^{b/}H0\): La serie tiene raíz unitaria
\(^{c/}H0\): La serie es estacionaria
Si valor p mayor a 0.05 No rechazo (acepto) H0.
Si valor p menor a 0.05 Rechazo H0.
Se debe a lo siguiente:
\[Y_t = \alpha + \beta Y_{t-1} + e_t\] Suponga \(\beta=1\).
\[Y_t = \alpha + Y_{t-1} + e_t\] Donde \(Y_t\) depende del valor pasado \(Y_{t-1}\), si esto es cierto, entonces la serie no es aleatoria, hay dependencia con el dato anterior y no podemos cumplir con el primer supuesto (ecuación 1).
A este proceso se le conoce también como: “caminata aleatoria”.
Se aplican primeras diferencias en ambas partes de la ecuación.
\[Y_t - Y_{t-1} = \alpha + \beta Y_{t-1} - Y_{t-1} + e_t\] \[\Delta Y_t= \alpha + Y_{t-1}(\beta -1) + e_t\] Recordemos que \(\beta=1\).
\[\Delta Y_t= \alpha + Y_{t-1}(1 -1) + e_t\] \[\Delta Y_t= \alpha + Y_{t-1}(0) + e_t\] \[\therefore \] \[ \Delta Y_t= \alpha + e_t\] La serie, en primeras diferencias, no tiene raíz unitaria, solo depende del error y del intercepto, pero no de los valores pasados o registrados del precio, por lo tanto, es estacionaria.
A este proceso también se le conoce como “ruido blanco”.
Modelos ARIMA (IAU)
El modelo Arima es una metodología econométrica basada en modelos dinámicos que utiliza datos de series temporales. La metodología utilizada en los modelos ARIMA fue descrita inicialmente por el estadístico George Edward Pelham Box y el estadístico e ingeniero Gwilym Meirion Jenkins en 1970 en su libro: Análisis de series temporales. Predicción y control (Time Series Análisis: Forecasting and Control).
Una vez que la serie es estacionaria es necesario obtener las funciones de autocorrelación simple y parcial muestrales para determinar el proceso ARIMA(p,d,q) más adecuado que haya podido generar la serie estacionaria.
En los modelos ARIMA(p,d,q), p representa el orden del proceso autorregresivo, d el número de diferencias que son necesarias para que el proceso sea estacionario y q representa el orden del proceso de medias móviles.
Ahora, se va a calcular el primer modelo ARIMA para hacer los pronósticos, utilizando la metodología de Box & Jenkins.
Se obtiene la Función de Autocorrelación (MA) y Función de Autocorrelación parcial (AR). Ambas series requieren ser integrada de orden I, es decir, se les tiene que aplicar una primera diferencia para que al menos puedan ser estacionarias en media. La aplicación de la primera diferencia es congruente con los resultados de las pruebas unitarias, en donde es necesario que las series se transformen en rendimientos.
Al revisar el correlograma (a pesar de diferenciar una vez la serie), se identifican componentes de autocorrelación tanto en el procero Autorregresivo (PACF) y en el proceso de media móvil (ACF). Eso quiere decir que aun existen rezagos y que hay una dependencia del precio con respecto al anterior, por ejemplo lo notamos en el tercero, quinto lag de la ACF y lo mismo ocurre en el correlograma de PACF.
El primer ajuste que se hace para el pronóstico del IAU es utilizando la función auto arima de R, que en este caso nos propone una combinación de ARIMA(0,1,0) para corregir los problemas de autocorrelación, de esta forma se espera solucionar los problemas de correlación y ajustar los rezagos.
Series: IAU
ARIMA(0,1,0)
sigma^2 estimated as 0.01051: log likelihood=1125.8
AIC=-2249.61 AICc=-2249.6 BIC=-2244.43
Ljung-Box test
data: Residuals from ARIMA(0,1,0)
Q* = 35.247, df = 30, p-value = 0.2338
Model df: 0. Total lags used: 30El resultado muestra que no se han terminado de corregir los problemas de autocorrelación. Aplicando la prueba de Ljung-Box, donde la Ho es: los datos se distribuyen de forma independiente debido a que el valor de p es de 0.2338 por lo que es mayor a 0.05 o dicho de otra forma, los residuales del ARIMA no están correlacionados. Para el ARIMA(0,1,0) la Ho no se rechaza. A pesar de que se puede realizar un pronóstico, debido a la alta volatilidad del instrumento del oro, se corre el riesgo de que se obtengan resultados sesgados.
A continuación, se muestra la estabilidad del modelo a partir del gráfico de raíces uniarias, tanto en el proceso AR como en el de MA.
Como podemos observar no aparece nada que nos indique si el modelo es estable o si continua o no con problemas de autocorrelación, es a causa de que el modelo ARIMA que nos recomendó R solo aplicamos una diferencia, por lo que no se están aplicando valores para AR o MA, que son los que deben establecer los puntos en la gráfica.
Propuesta de modelo ARIMA(2,1,20) para IAU
Para este modelo podemos ver una mejora significativa que en las anteriores pruebas ARIMA que nos recomendó R, ya que se corrigen de mejor manera los problemas de auto correlación en los residuales de acuerdo a los resultados de la prueba de Ljung-Box.
Call:
arima(x = IAU, order = c(2, 1, 20))
Coefficients:
ar1 ar2 ma1 ma2 ma3 ma4 ma5 ma6
0.7506 -0.1309 -0.7302 0.1024 0.0736 0.0010 -0.1013 0.0937
s.e. 0.6567 0.4979 0.6565 0.4869 0.0379 0.0558 0.0376 0.0773
ma7 ma8 ma9 ma10 ma11 ma12 ma13 ma14
-0.0378 -0.0017 -0.0191 0.0308 -0.0261 0.0571 -0.0047 -0.0122
s.e. 0.0658 0.0407 0.0358 0.0393 0.0436 0.0401 0.0491 0.0379
ma15 ma16 ma17 ma18 ma19 ma20
0.0162 -0.0123 -0.0131 0.0343 -0.0422 -0.0371
s.e. 0.0388 0.0377 0.0364 0.0389 0.0437 0.0549
sigma^2 estimated as 0.01027: log likelihood = 1140.84, aic = -2235.68
Ljung-Box test
data: Residuals from ARIMA(2,1,20)
Q* = 3.8221, df = 8, p-value = 0.8728
Model df: 22. Total lags used: 30Para el grafico 10 podemos denotar que es menos parsimonioso, ya no tiene una gran variedad de rezagos o bien ya no cuenta con los problemas de autocorrelación como lo tenía la prueba ARIMA que nos recomendó R, por lo que ya mantiene una estabilidad esto es debido a que en el correlograma de ACF tenemos un mejor ajuste y un AIC menor al que nos recomienda R. Se realizaron bastantes pruebas para poder determinar el mejor modelo con un mejor ajuste y este fue el mejor que pudimos obtener a causa de la volatilidad del instrumento del oro.
Teniendo la gráfica del circulo de la unidad podemos confirmar los rezagos permanecen dentro del círculo a pesar de que muchos de ellos se encuentren en la orilla y otros más al centro aun que ya no se tiene parsimonismo dentro de la prueba. Anteriormente habíamos mencionado que se podría obtener una mejor prueba, sin embargo, esto sería un poco complicado por las situaciones ya explicadas sobre las condiciones del oro.
Se presentan los pronósticos obtenidos por ambos modelos.
En esta grafica se ven los problemas de los rezagos o de una mala especificacion ya que no nos ta una buena idea de lo que ocurrida aun futuro por lo que no estamos teniendo buenos resultados confiables con esa prueba de ARIMA. La propuesta del ARIMA(2,1,20) mejora significativamente el pronóstico.
El modelo o la propuesta de ARIMA (2,1,20) nos da un mejor resultado en cuanto a la majora del pronostico, esto da por las siguientes razones: Se corrigue todas loz rezagos o problemas de autocorrelacion y vemos que es estable por lo que a mi parecer es el mejor modelo que podemos aplicar por el momento. Ya que a diferencia del otro pronostico en este podemos notar una mejor tendencia que tomaria en los siguientes dias.
| Fecha | Dato real | Pronosticado ARIMA (0,1,0) | Pronosticado ARIMA (2,1,20) |
|---|---|---|---|
| 23-mar-20 | 14.85 | 14.03 | 14.04769 |
| 24-mar-20 | 15.52 | 14.03 | 14.06129 |
| Criterio de información | AIC | -2249.606 | -2235.683 |
El modelo ARIMA(2,1,0) tiene mejores aproximaciones al precio del IAU en los días 23 y 24 de marzo, teniendo que el precio del instrumento del oro por iShares Gold Trust tuvo un aumento que es debido a la desaceleración económica, incertidumbre por el Covid-19 y la crisis que se avecina. Recordemos que el precio del oro es volátil dependiendo de las circunstancias, políticas, sociales y economicas que se viven diariamente en el mundo.
¿Cómo ajustar el pronóstico para instrumentos volátiles? ¿Y el pronóstico del S&P500?
Se presentará en un siguiente trabajo con otro tipo de modelación.
Conclusiones
Analizando el comportamiento a niveles y en rendimientos de la ETF IAU que fue comparada con el índice de S&P500 que podría ser un buen indicador ya que el oro tiene una alta relación con el comportamiento del dólar americano. Recordemos que el precio del oro cambia constantemente de acuerdo a sucesos mundiales.
Se realizaron histogramas y gráficos Q-Q que nos ayudaron a visualizar mejor el comportamiento de la distribución de las series y los rezagos existentes, con esto tendremos una mejor idea de donde había una concentración de los precios como en los rendimientos.
Para seguir con la continuidad del trabajo se realizaron pruebas de raíces unitarias donde se identificó la estacionariedad de las series, donde se aplicaron ciertas diferencias para poder hacer que el modelo tenga esta estacionariedad y ya no tenga tantos rezagos y no se salgan de la media. Después se obtienen los correlogramas donde ya podemos identificar de manera más precisa los problemas de autocorrelación de los que sufría la serie en el caso de IAU se le plantearon dos modelos uno que R nos estableció como el mejor a considerar ARIMA(0,1,0) probablemente debido a la volatilidad en los precios del oro y el otro que puse a prueba con muchos más y establecí que a pesar de que no corregía la autocorrelación del todo, era un modelo estable ya que mejoro nuestros resultados notablemente y es el ARIMA(2,1,20)
Para poder finalizar, recopilaremos la información ya dicha anteriormente sobre algunas de las causas que podrían afectar al modelo, una de ellas es la reciente pandemia del Covid-19 debido a que a frenado a la mayoría de las economías e industrias más importantes del mundo, un ejemplo de ello es China uno de los mayores consumidores y productores del mundo de la cual gran parte de industrias de otros países dependen. La caída del petróleo, las incertidumbres geopolíticos o conflictos con otros países, además de estar muy ligado a los sucesos económicos que realiza la Reserva Federal de Estados Unidos y los tipos de interés, la desaceleración economía y así como el oro está ligado al precio del dólar. Como bien se sabe el oro es el instrumento a donde todos se refugian cuando hay o se avecina una crisis mundial.
Referencias
[1] https://finance.yahoo.com/quote/IAU?p=IAU
[2] https://www.blackrock.com/mx/intermediarios/educacion/etf/explicacion-de-los-etf
[3] https://www.elfinanciero.com.mx/monterrey/el-precio-del-oro-durante-2017
[4] https://www.blackrock.com/cl/productos/239561/ishares-gold-trust-fund
[7]https://elpais.com/economia/2016/06/02/actualidad/1464888267_241201.html
[8] Información proporcionada por la profesora Ana Lorena Jiménez Preciado.