Las Variables que veremos a continuación se basan en criptomonedas, como bien sabemos existe una gran variedad de criptomonedas en el mercado. En este analisis vamos a estudiar tres (3) criptomonedas las cuales son las siguientes:

Ethereum(ETH) (Desde Nov 2017 - Hasta Mar 2022).

Carnado(ADA) (Desde Nov 2017 - Hasta Mar 2022).

Polkadot(DOT) (Desde Ago 2020 - Hasta Ene 2022).

Ethereum (2015) es una plataforma de codigo abierto, que funciona para efectuar contratos inteligentes. La confiabilidad de esta cripto es que tiene un alto grado de descentralización a diferencia de otras, el precio historico de la misma llegó a ser bastante atractiva para los inversionistas.

Cardano (2015) es una cadena de bloques de codigo abierto, la cual sirve para ejecutar contratos inteligentes y asi crear su propia moneda digital, esta fue fundada por unos de los cofundadores de Ethereum. El precio de ella siempre ha sido “estable”, la misma no ha tenido un precio de cierre mayor a 3 USD.

Polkadot (2020) trata diversas “blockchains” especilizadas que se conectan a la cadena de relevo de Polkadot la cual constituyen el aspecto “multicadena”. la cual es bastante curiosa porque puede repartir la informacion y distribuirla en redes diferentes que intervienen.

La data suministrada fue obtenida por yahoofinance.com de forma diaria para las tres (3) criptomonedas que se veran en estudio.

Cuadro Resumen Criptos

El siguiente cuadro muestra un breve resumen de los datos donde trabajaremos con los precios del cierre del dia, a continuacion se presentan los cuadros:

Historico de precios ETH
date open high low close volume adjusted
1 2017-11-09 308.645 329.452 307.056 320.884 893249984 320.884
2 2017-11-10 320.671 324.718 294.542 299.253 885985984 299.253
3 2017-11-11 298.586 319.453 298.192 314.681 842300992 314.681
1639 2022-05-05 2940.227 2948.961 2704.916 2749.213 22642925048 2749.213
1640 2022-05-06 2748.932 2754.838 2645.335 2694.980 21027599270 2694.980
1641 2022-05-07 2694.992 2696.653 2599.523 2636.093 13369276367 2636.093
Historico de precios ADA
date open high low close volume adjusted
1 2017-11-09 0.025160 0.035060 0.025006 0.032053 18716200 0.032053
2 2017-11-10 0.032219 0.033348 0.026451 0.027119 6766780 0.027119
3 2017-11-11 0.026891 0.029659 0.025684 0.027437 5532220 0.027437
1639 2022-05-05 0.897061 0.904111 0.778141 0.791152 1802128590 0.791152
1640 2022-05-06 0.791065 0.798315 0.765742 0.783359 1312283636 0.783359
1641 2022-05-07 0.783352 0.785116 0.750657 0.761882 801558914 0.761882
Historico de precios DOT
date open high low close volume adjusted
1 2020-08-20 2.787857 3.077784 2.692896 2.900080 48819867 2.900080
2 2020-08-21 2.896923 3.090093 2.730919 2.875028 49313137 2.875028
3 2020-08-22 2.878570 4.510613 2.816762 4.484690 485801096 4.484690
624 2022-05-05 16.301308 16.418749 14.187897 14.581028 953754626 14.581028
625 2022-05-06 14.579420 14.639583 13.941613 14.313102 868156078 14.313102
626 2022-05-07 14.313728 14.352659 13.476185 13.775654 593983001 13.775654

A continuacion, graficamos los históricos de las series.

Podemos observar que la serie del ETH en el 2018 comenzó con un precio de cierre en el mercado hasta de 1000 usd, sin embargo, los años 2019, 2020 y 2021 no fueron tan amigables con esta criptomoneda.

Desde el 2018 hasta finales del 2020 el volumen de transacción fue mucho menor que para el año 2021 y parte del 2022, por lo cual, es posible que estas variables que tengan cierta relacion (tienen una correlación del 55%). Podemos notar que el covid 2019 no fue una variable que impacte a la serie, como pudo haber afectado otros mercados financieros.

Se puede notar que la serie del ADA es muy similar a la serie del ETH, teniendo un inicio en el año 2018 de mas de 1 USD, el cual fue disminuyendo manteniendo un valor casi constante desde el 2019 hasta finales del 2021 donde su variabilidad no fue tan pronunciada. Sin embargo, a partir del 2021 el precio del cierre de esta criptomoneda comenzó a llegar a precios historicos a lo largo de su trayectoria, en consecuencia, pudo haber sucedido gracias a la “nueva” realidad post COVID-19, donde muchas personas apostaron a invertir en un mercado donde posiblemente tengan mayor rentabilidad (teniendo en cuenta que muchas personas estuvieron desempleadas por cortes de nómina).

La serie de Polkadot (DOT) es bastante distinta a las anteriores, primero porque no cuento con mucho pasado y no se puede apreciar el comportamiento de los años antes y después de la pandemia ya que fue lanzada recientemente.

Sin embargo, podemos notar que en el primer trimestre del 2021 y 2022 tuvieron un comportamiento bastante similar, ¿Podemos esperar un comportamiento decreciente en el el segundo trimestre del año 2022?

Para simplificar el análisis, por los momentos, revisaremos las series de forma mensual.

Efectivamente las series tienen menor ruido en el grafico por la reducción de la periodicidad.

Las series de tiempo pueden manifestar diversos patrones, por lo cual es importante dividir la serie en varios componentes. En este tema se va a emplear dos tipos de descomposición con diversos metodos, el primero será la descomposición Aditiva y posteriormente la Multiplicativa.

Si asumimos una descomposición Aditiva podemos escribir la serie de forma :

𝝪𝞽 = 𝚂𝞽 + T𝞽 + R𝞽

Donde :

En cambio, si asumimos una descomposición Multiplicativa podemos escribir la serie de forma:

𝝪𝞽 = 𝚂𝞽*T𝞽*R𝞽

Nostros podemos convertir la descomposición Multiplicativa en una Aditiva, lo primero sería transformar los datos hasta que la variación de la serie parezca ser estable y luego utilizar la descompisición Aditiva haciendo uso de una transformacion logaritmica a los componentes, para ser escrita de esta forma :

log(𝝪𝞽) =log (𝚂𝞽) + log(T𝞽) + log(R𝞽)

De esta forma estariamos linealizando los componentes de la serie.

𝝪𝞽 = 𝚂𝞽*T𝞽*R𝞽 es equivalente a log(𝝪𝞽) = log(𝚂𝞽) + log(T𝞽) + log(R𝞽)

Medias Móviles

En principio para una descomposición clásica debemos analizar el metodo del promedio móvil para estimar la Tendencia-Ciclo. (ojo, no confundir este indicador con el modelo MA).

ETH

## # A tsibble: 55 x 9 [1M]
##     new_date  open  high   low close adj_close       volume r_close `5-MA`
##        <mth> <dbl> <dbl> <dbl> <dbl>     <dbl>        <dbl>   <dbl>  <dbl>
##  1 2017 nov.  309.  522.  295.  447.      447.  26957496832 NA         NA 
##  2 2017 dic.  445.  882.  414.  757.      757.  79862276544  0.526     NA 
##  3 2018 ene.  756. 1433.  742. 1118.     1118. 163610220288  0.391    715.
##  4 2018 feb. 1119. 1161.  574.  855.      855.  83393441152 -0.268    759.
##  5 2018 mar.  856.  880.  369.  396.      396.  53716179584 -0.769    724.
##  6 2018 abr.  397.  709.  364.  670.      670.  60669918656  0.525    591.
##  7 2018 may.  670.  835.  513.  578.      578.  81752720256 -0.148    507.
##  8 2018 jun.  579.  625.  408.  455.      455.  55077550208 -0.238    484.
##  9 2018 jul.  455.  513.  423.  434.      434.  52395320112 -0.0480   397.
## 10 2018 ago.  434.  435.  255.  283.      283.  49073240000 -0.427    320.
## # … with 45 more rows

En la columna “5-MA” nos dice la estimación de la tendencia-ciclo. Los valores NA es porque no tenemos valores de cada lado. Lo mismo sucederá para los otros dos activos.

ADA

## # A tsibble: 55 x 9 [1M]
##     new_date   open  high    low close adj_close      volume r_close `5-MA`
##        <mth>  <dbl> <dbl>  <dbl> <dbl>     <dbl>       <dbl>   <dbl>  <dbl>
##  1 2017 nov. 0.0252 0.147 0.0226 0.120     0.120   796080748 NA      NA    
##  2 2017 dic. 0.117  0.777 0.0991 0.720     0.720  5302134228  1.79   NA    
##  3 2018 ene. 0.719  1.33  0.441  0.519     0.519 17091618144 -0.326   0.365
##  4 2018 feb. 0.516  0.535 0.267  0.313     0.313 12792129936 -0.508   0.410
##  5 2018 mar. 0.312  0.318 0.127  0.156     0.156  4703829784 -0.696   0.311
##  6 2018 abr. 0.157  0.388 0.141  0.343     0.343  7320876484  0.789   0.235
##  7 2018 may. 0.343  0.390 0.174  0.225     0.225  4809903016 -0.422   0.201
##  8 2018 jun. 0.225  0.237 0.115  0.138     0.138  2424286712 -0.492   0.190
##  9 2018 jul. 0.138  0.193 0.123  0.143     0.143  3252586700  0.0401  0.139
## 10 2018 ago. 0.143  0.145 0.0870 0.102     0.102  1976704700 -0.338   0.108
## # … with 45 more rows

DOT

## # A tsibble: 22 x 9 [1M]
##     new_date  open  high   low close adj_close       volume r_close `5-MA`
##        <mth> <dbl> <dbl> <dbl> <dbl>     <dbl>        <dbl>   <dbl>  <dbl>
##  1 2020 ago.  2.79  6.79  2.69  6.30      6.30   6807214184 NA       NA   
##  2 2020 sep.  6.30  6.84  3.65  4.35      4.35  20202995915 -0.370   NA   
##  3 2020 oct.  4.35  4.93  3.62  4.18      4.18  14467249110 -0.0394   5.90
##  4 2020 nov.  4.18  6.08  3.89  5.38      5.38  18940912804  0.251    7.86
##  5 2020 dic.  5.38  9.43  4.55  9.29      9.29  22525116651  0.547   13.7 
##  6 2021 ene.  9.29 19.3   7.23 16.1      16.1  104319016689  0.551   20.3 
##  7 2021 feb. 16.1  42.1  15.7  33.6      33.6  118889192697  0.735   26.5 
##  8 2021 mar. 33.6  40.1  28.3  37.0      37.0   71829898822  0.0969  29.3 
##  9 2021 abr. 37.1  48.4  27.1  36.5      36.5   83405756370 -0.0132  29.4 
## 10 2021 may. 36.5  49.7  13.8  23.4      23.4  121896585640 -0.444   26.0 
## # … with 12 more rows

Para observar el comportamiento de la estimación de tendencia-ciclo, se realizaron los siguientes graficos

En las gráficas anteriores, pudimos ver como se ajusta la tendencia a los valores reales, sin embargo, no es el mejor ajuste (a mi criterio) ya que no sigue los comportamientos atípicos y es algo natural en el promedio, recordando que el promedio es sensible a los valores atípicos. Aun así se presentarán diversos métodos la cual puede estimar la tendencia de una forma mas acertiva.

Descomposición Clásica

Existen diversos métodos de descomposición la cual nos permiten obtener los componentes de una serie de tiempo, el método clásico es el punto de partida para los demás métodos.

Este método consta con dos formas, la descomposición aditiva y la descomposición multiplicativa, donde se asume que el componente estacional (𝚂𝞽) es constante de un periodo a otro y el componente estacional de la descomposición los valores “m” algunas veces los vamos a describir como “índices estacionales”.

  1. Descomposición Aditiva

Para hallar los componentes de la serie con la forma Aditiva debemos percatarnos de ciertos pasos:

El valor m es fundamental para hallar la tendencia-ciclo, si m es par entonces T𝞽(estimado) usará un 2*m-MA, si es impar entonces T𝞽(estimado) usará un m-MA

Para Calcular la serie sin tendencia : 𝝪𝞽 - T𝞽(estimado)

Para estimar el componente estacional de cada temporada, simplemente promedie los valores sin tendencia para esa temporada. Por ejemplo, con datos mensuales, el componente estacional de marzo es el promedio de todos los valores de marzo sin tendencia en los datos. Estos valores de componentes estacionales luego se ajustan para garantizar que sumen cero. El componente estacional se obtiene encadenando estos valores mensuales y luego replicando la secuencia para cada año de datos. Esto da 𝚂𝞽(estimado)

El componente residual se calcula restando los componentes estacionales y el ciclo-tendencia:

R𝞽 (estimado) = 𝝪𝞽 - T𝞽 (estimado) - 𝚂𝞽 (estimado)

Veamos como se comportan los activos utilizando la Descomposición Clásica Aditiva

Como se observa, opuesto al eje y se tiene el nombre que representa la grafica, “close”, “trend”, “season_year” y “remainder” las cuales representan el precio de cierre, la ciclo-tendencia, la estacionalidad y el remanente respectivo, la columna Gris dentro del grafico nos indica la variabilidad que tiene la serie, es decir, mientras mas pequeño sea dicha columna mayor sera la variabilidad, y lo opuesto para menor variabilidad.

Nos percatamos que T𝞽no cuenta con períodos en el principio y el final de la serie

𝚂𝞽 tiene una variabilidad bastante controlada y vemos que la estacionalidad es sencuencial en todos los períodos a través de los años

El remanente al igual que la ciclo tendencia, no cuenta los valores principales al igual que los últimos.

El activo Cardano presenta una ciclo-tendencia con un comportamiento alcista en el primer semestre del 2020, sin embargo, al igual que el activo ethereum este componente no cuenta con los primeros ni los ultimos valores lo cual puede ser un problema a la hora de pronosticar.

La estacionalidad se repite todos los años de la misma manera y cuenta con una variabilidad considerablemente reducida en comparación con los componentes que lo acompañan.

El componente remanente se ve afectado por la subida del precio a finales de 2021. Éste cuenta con periodos perdidos que no estan al principio y al final de la serie.

Para la serie Polkadot es importante resaltar que los datos históricos deben ser mayores o iguales a 2 años para que el método de descomposición clásica pueda utilizarse, es por eso que no se presenta esa serie en este método.

  1. Descomposición Multiplicativa

Cuando la variación en el patrón estacional, o la variación alrededor del ciclo de tendencia, parece ser proporcional al nivel de la serie temporal, entonces es más apropiada una descomposición multiplicativa. Las descomposiciones multiplicativas son comunes con las series temporales económicas, entonces puedo asumir que las series que estamos estudiando tendrán una descomposición multiplicativa.

El valor m es fundamental para hallar la tendencia-ciclo, si m es par entonces T𝞽(estimado) usará un 2*m-MA, si es impar entonces T𝞽(estimado) usará un m-MA.

Para Calcular la serie sin tendencia : 𝝪𝞽 /T𝞽(estimado). puede ser equivalante a log(𝝪𝞽) - T𝞽(estimado).

Para estimar el componente estacional de cada temporada, simplemente promedie los valores sin tendencia para esa temporada. Por ejemplo, con datos mensuales, el componente estacional de marzo es el promedio de todos los valores de marzo sin tendencia en los datos. Estos valores de componentes estacionales luego se ajustan para garantizar que sumen cero. El componente estacional se obtiene encadenando estos valores mensuales y luego replicando la secuencia para cada año de datos. Esto da 𝚂𝞽(estimado).

El componente residual se calcula restando los componentes estacionales y el ciclo-tendencia:

R𝞽 (estimado) = 𝝪𝞽 /T𝞽 (estimado)*𝚂𝞽 (estimado) ó

log(R𝞽 (estimado)) = log(𝝪𝞽) - log(T𝞽 (estimado)) - log(𝚂𝞽 (estimado))

Nota : Es importante devolver el cambio exp(log(x)) para que los componentes mantengan su forma multiplicativa.

Veamos como se comportan los activos utilizando la Descomposición Clásica Multiplicativa.

Vemos que para la serie temporal de Ethereum, la descomposición clásica multiplicativa en comparación con la adivita, el componente estacional y el remanente se les diminuyó las escalas, por lo tanto, tienen menor variabilidad y un comportamiento distinto a la descomposición clásica aditiva en los componentes mencionados.

Se observa los componentes descompuestos mediante la descomposición clásica multiplicativa de la serie temporal Cardano especificamente los precios del cierre, la cual en comparación con la descomposición clásica aditiva presenta una variabilidad mas estable en los componentes de estacionalidad y el remanente, sin embargo, se pierden los datos del principio y final de la serie en el componente de tendencia y el componente remanente.

El activo Polkadot no se presenta en este estudio ya que se necesitan un minimo de 2 años completos para que la descomposición clásica multiplicativa pueda emplearse

Método de Descomposición STL

STL es una abreviatura de “Descomposición estacional y de tendencias usando Loess”, “Loess” es un método para estimar relaciones no lineales.

Veamos los componentes de las series en estudio utilizando el Método de Descomposición STL.

ETH

## # A dable: 55 x 7 [1M]
## # Key:     .model [1]
## # :        close = trend + season_year + remainder
##    .model  new_date close trend season_year remainder season_adjust
##    <chr>      <mth> <dbl> <dbl>       <dbl>     <dbl>         <dbl>
##  1 stl    2017 nov.  447.  824.       21.4     -398.           426.
##  2 stl    2017 dic.  757.  772.      -34.4       18.7          791.
##  3 stl    2018 ene. 1118.  721.        5.35     392.          1113.
##  4 stl    2018 feb.  855.  669.      -23.8      210.           879.
##  5 stl    2018 mar.  396.  619.      -54.1     -169.           451.
##  6 stl    2018 abr.  670.  569.       76.1       24.6          594.
##  7 stl    2018 may.  578.  519.       18.7       39.8          559.
##  8 stl    2018 jun.  455.  469.      -51.9       37.9          507.
##  9 stl    2018 jul.  434.  419.      -38.0       52.7          472.
## 10 stl    2018 ago.  283.  369.       59.2     -145.           224.
## # … with 45 more rows

ADA

## # A dable: 55 x 7 [1M]
## # Key:     .model [1]
## # :        close = trend + season_year + remainder
##    .model  new_date close trend season_year remainder season_adjust
##    <chr>      <mth> <dbl> <dbl>       <dbl>     <dbl>         <dbl>
##  1 stl    2017 nov. 0.120 0.463    -0.128    -0.216           0.247
##  2 stl    2017 dic. 0.720 0.426    -0.0263    0.320           0.746
##  3 stl    2018 ene. 0.519 0.389    -0.0819    0.212           0.601
##  4 stl    2018 feb. 0.313 0.352     0.0251   -0.0649          0.287
##  5 stl    2018 mar. 0.156 0.319    -0.0188   -0.144           0.175
##  6 stl    2018 abr. 0.343 0.285    -0.00167   0.0601          0.345
##  7 stl    2018 may. 0.225 0.251     0.0419   -0.0679          0.183
##  8 stl    2018 jun. 0.138 0.218    -0.0249   -0.0557          0.163
##  9 stl    2018 jul. 0.143 0.185    -0.0373   -0.00473         0.181
## 10 stl    2018 ago. 0.102 0.152     0.206    -0.256          -0.104
## # … with 45 more rows

DOT

## # A dable: 22 x 6 [1M]
## # Key:     .model [1]
## # :        close = trend + remainder
##    .model  new_date close trend remainder season_adjust
##    <chr>      <mth> <dbl> <dbl>     <dbl>         <dbl>
##  1 stl    2020 ago.  6.30  3.22     3.08           6.30
##  2 stl    2020 sep.  4.35  5.33    -0.975          4.35
##  3 stl    2020 oct.  4.18  7.44    -3.25           4.18
##  4 stl    2020 nov.  5.38 10.6     -5.22           5.38
##  5 stl    2020 dic.  9.29 14.9     -5.56           9.29
##  6 stl    2021 ene. 16.1  19.5     -3.42          16.1 
##  7 stl    2021 feb. 33.6  23.9      9.75          33.6 
##  8 stl    2021 mar. 37.0  26.3     10.7           37.0 
##  9 stl    2021 abr. 36.5  27.3      9.29          36.5 
## 10 stl    2021 may. 23.4  26.6     -3.19          23.4 
## # … with 12 more rows

Para un análisis más profundo, veamos graficamente los componente de las series.

ETH

Esta serie de gráficos nos revelan mucho sobre la serie y su composición sobre el activo Ethereum.

Vemos que T𝞽 (Trend ó Ciclo-Tendencia) sigue la trayectoria frecuente de la serie, ignorando cualquier indicio estacional y fluctuaciones aleatorias que pueda tener la serie.

𝚂𝞽 como mencionamos anteriormente, es el componente estacional (season_year en la gráfica) nos explica a detalle como es el comportamiento de las subidas o bajadas a lo largo del periodo, teniendo en cuenta que comienza a tener picos pronunciados a partir del 2021 (es el que tiene menos variabilidad).

Y por ultimo tenemos el componente de remanente o resudios (remainder en la gráfica) que nos muestra de forma grafica el comportamiento de los residuos, la cual podemos concluir que simplemente son los datos reales vs la tendencia o la diferencia entre los datos reales y tendencia (que recordemos que ignora la estacionalidad y las fluctuaciones aleatorias).

ADA

En el activo Cardano los componentes nos reflejan lo siguiente :

T𝞽 sigue el patrón de la serie sin estacionalidad y componente aleatorio.

𝚂𝞽 tiene un comportamiento alcista aproximadamente en el segundo semestre del año, el cual va repitiendo de manera recurrente y finalizando el periodo del año tiende a tener un comportamiento bajista lo que genera alertas a la hora de invertir en este activo.

El activo ADA en comparación con el ETH minimiza la varianza en los componentes, esto producido al tamaño de la escala que tienen ambos precios de cierre.

DOT

El activo Polkadot en comparación con los dos primeros activos estudiados previamente, es quien reduce considerablemente la variabilidad en todos sus componentes.

Además podemos percatarnos que este activo no tiene componente estacionario, esto se debe que nuestra data no es tan longeva (se requiere un minimo de 3 años para que estos metodos puedan captar el componente estacionario).

Método de Descomposición X-11

Este método en comparación con la descomposición clásica, las estimaciones del ciclo-tendencia estan disponibles en todos los periodos y permite que el componente estacional varíe en el tiempo. El punto a favor que posee el método x-11 es que maneja la variabilidad de los valores atipicos por lo que se caracteriza por un modelo robusto.

Veamos el comportamiento de nuestros activos aplicando el método x-11.

Efectivamente el Método x-11 respeta la presencia de los datos sin tener que eliminar datos del principio y del final

La estacionalidad es similar en los años 2019,2020 y 2021, sin embargo, en el 2018 tiene picos pronunciados aunque el comportamiento similar a los años posteriores,

El componente remanente tiene una varianza bastante controlada como podemos observar por la barra gris.

El metodo logró estabilizar la varianza en el componente estacional al igual que el componente residual, pero pasa lo opuesto en el componente de tendencia.

Una mejor visualización para comparar la serie real con el componente estacional y el ciclo-tendencia es la siguiente:

Veamos sub series estacional para visualizar mejor la variabilidad con el método x-11.

Podemos observar que el comportamiento de los meses de marzo y abril presentan componentes crecientes y decrecientes respectivamente, donde, en comparación con los demás meses no mantienen cierta estabilidad.

La descomposición X-11 en la serie temporal del activo Cardano es bastante estable o es asi en comparación con el activo Ethereum, al observar las barras podemos percatarnos que su variabilidad no es tan pronunciada.

El componente estacional presenta un comportamiento con picos pronunciados a lo largo del año 2018, posteriormente la conducta del componente estacional fué bastante controlado.

Los residuos o el componente remanente (en la gráfica “irregular”) se puede ver que esta controlado donde los datos oscilan entre 0.5 y 1.5 como máximo punto alcanzado.

Una mejor visualización para comparar la serie real con el componente estacional y el ciclo-tendencia es la siguiente:

Veamos sub serie estacional para visualizar mejor la variabilidad con el método x-11.

Al igual que el activo Ethereum, el Cardano tiene comportamientos dinámicos en el mes de marzo donde el precio del cierre ha tenido un comportamiento de aumentar su precio, por otro lado, Abril es el mes donde ha tenido un mayor decrecimiento en el precio de cierre. El mes de diciembre es donde presenta un menor precio a través del tiempo, aproximadamente 0.8 $

No se presenta el activo Polkadot ya que para utilizar esta descomposición se debe tener como minimo 3 años completos

Método de Descomposición SEATS

El banco de españa ha sido pionero en la extraccion estacional de series de tiempo, el método seats da origen en españa y es ampliamente utilizado por diversos gobiernos en el mundo. SEATS es la extracción en series temporales ARIMA

Veamos como se comportan nuestros activos haciendo la descomposición seats

El comportamiento aplicandole el método seats a la serie temporal del activo Ethereum nos da conociminetos sobre los componentes de la serie.

La tendencia-ciclo aparenta tener incidios estacionales y fluctuaciones aleatorias, donde, las descomposiciones que hemos estudiado es la unica que presenta esta peculiaridad.

El componente estacional no tiene mucho sentido, ya que existen períodos donde se mantiene constante.

El componente remanente presenta poca variabilidad.

Para una mejor visición de lo estudiado, se presenta la siguiente gráfica

Podemos observar que el componente estacional y el componente ciclo-tendencia entienden el comportamiento de la serie real.

El componente ciclo-tendencia presenta indicios estacionales y aleatoriedad.

La estacionalidad se mantiene constante por largos periodos. solo repite dos patrones claros, subida y bajada a principios de año.

Prónostico con los métodos de Descomposición

En este estudio, vamos a tomar los componentes de ciclo-tendencia y la estacionalidad donde se van a prónosticar por separado.

El componente ciclo-tendencia vamos a usar el método de la deriva

El componente estacionalidad se utilizará el método de ingenuo estacional

ETHEREUM

  1. Descomposición STL

Tendencia:

Estacionalidad:

La descomposición STL en el activo Ethereum fué de forma aditiva. asi que procedemos a sumar los resultados proyectados y visualizar los resultados.

## # A tibble: 7 × 1
##   serie
##   <dbl>
## 1 3301.
## 2 3370.
## 3 3593.
## 4 3439.
## 5 3800.
## 6 3834.
## 7 3673.
  1. Descomposición X-11

Tendencia:

Estacionalidad:

El resultado de la descomposición de X-11 fué de forma multiplicativa, entonces tendremos que multiplicar ambos componentes

## # A tibble: 7 × 1
##   serie
##   <dbl>
## 1 2579.
## 2 2833.
## 3 2623.
## 4 2421.
## 5 2597.
## 6 2458.
## 7 2286.
  1. Descomposición SEATS

Tendencia :

Estacionalidad:

Los componentes de estacionalidad y tendencia debemos multiplicarlos para poder estimar de forma correcta la serie temporal.

## # A tibble: 7 × 1
##   serie
##   <dbl>
## 1 2733.
## 2 2774.
## 3 2814.
## 4 2855.
## 5 2896.
## 6 2936.
## 7 2977.

Podemos observar que los resultados arrojados en la descomposición x-11 y seats tienen coherencia con la continuidad de la serie, en cambio, la descomposición STL queda por encima de los valores reales.

CARDANO

  1. Descomposición STL

Tendencia:

Estacionalidad:

La descomposición STL en el activo Cardano fué de forma aditiva. asi que procedemos a sumar los resultados proyectados y visualizar los resultados.

## # A tibble: 7 × 1
##   serie
##   <dbl>
## 1  1.03
## 2  1.02
## 3  1.40
## 4  1.21
## 5  1.16
## 6  1.02
## 7  1.04
  1. Descomposición X-11

Tendencia:

Estacionalidad:

El resultado de la descomposición de X-11 fué de forma multiplicativa, entonces tendremos que multiplicar ambos componentes

## # A tibble: 7 × 1
##   serie
##   <dbl>
## 1 0.761
## 2 0.782
## 3 0.770
## 4 0.684
## 5 0.700
## 6 0.627
## 7 0.567
  1. Descomposición SEATS

Tendencia :

Estacionalidad:

Los componentes de estacionalidad y tendencia debemos multiplicarlos para poder estimar de forma correcta la serie temporal.

## # A tibble: 7 × 1
##   serie
##   <dbl>
## 1 0.783
## 2 0.784
## 3 0.785
## 4 0.785
## 5 0.786
## 6 0.787
## 7 0.787

Nos percatamos que los resultados arrojados en la descomposición x-11 y seats tienen coherencia con la continuidad de la serie, en cambio, la descomposición STL queda por encima de los valores reales.