Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 9 vistas

    Modelo ARIMA Btc-Jairo

    Cargado por

    jairo.ubaldo.d

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Modelo ARIMA Btc-Jairo

    Cargado por

    jairo.ubaldo.d
    9 vistas8 páginas

    Título original

    modelo ARIMA btc-Jairo

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    9 vistas8 páginas

    Modelo ARIMA Btc-Jairo

    Cargado por

    jairo.ubaldo.d

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 8

    ECONOMETRÍA DE SERIES DE

    TIEMPO

    JAIRO UBALDO DOMINGUEZ


    17120124
    ECONOMÍA

    2020
    PRONÓSTICO DEL PRECIO DE BITCOIN 2020 II
    El siguiente trabajo tiene como finalidad pronosticar los precios de la cripto moneda más famosa
    de la historia, el Bitcoin. Para ello seguiremos un análisis econométrico hasta llegar modelar la
    serie bajo una estructura Arima.

    La data:

    Fue exportada de investing a Excel para luego ser importada desde Rstudio con el comando
    Read_excel

    Y convertida a un data frame tipo series de tiempo con el comando correspondiente.

    bitcoin<-read_excel("C:/Users/LENOVO/OneDrive/Escritorio/btc.xlsx")

    btc=ts(bitcoin, start = c(2017,32), frequency=52)

    plot(btc)

    Como podemos ver, el precio del Bitcoin no es una series estacionaria. Para corroborar esto

    Usamos el comando box-plot que nos indica que los errores no siguen una distribución normal,
    puesto que la mediana y la media tienen valores que divergen.
    ,

    Sumado a esto, comprobaremos lo anterior con la prueba Dickey – Fuller, cuya Hipótesis Nula H0
    es que la series NO es estacionaria y la aceptaremos con una p-value mayor a 5%.

    Aquí vemos claramente que aceptamos la Hipótesis Nula y concluimos en que No es Estacionaria.

    Procedemos a ‘manipular’ la data y comenzaremos aplicándole la diferencia con el siguiente


    comando
    Como podemos visualizar sí parece ser estacionaria, de modo que le aplicamos el test de DF.

    Aquí podemos ver que nuestro p value es incluso menor que 1% por lo que llegamos a la
    conclusión de que la serie ya es estacionaria.

    Ahora analizamos los gráficos de autocorrelación simple y parcial.


    Notamos que en el gráfico ACF ninguna es significativa, mientras que en la correlación parcial, el
    rezago número 11.

    Por ello modelamos un ARIMA(0,1,11)

    De esta manera comparamos con un modelo sin la parte AR ni MA, es decir, un ARIMA(0,1,0) y
    obtenemos esto
    Vemos que el primer modelo nos agrada más y lo sometemos a la prueba Ljung- box sabiendo que
    el estadístico nos ayuda a saber si hay autocorrelación entre los residuos, ya que el supuesto es
    que los residuos del modelo deben ser ruido blanco. Si vemos, los p-value son mayores a 0.05, eso
    nos indicaría que hay ruido blanco.

    Efectivamente vemos que el p value es mayor a 5% por lo que concluimos en que hay ruido blanco

    Para corroborar, graficamos los errores


    Pasamos a la última parte que consiste en hacer las estimaciones bajo el modelo escogido

    FORECAST
    Como podemos ver el modelo nos sugiere una estabilidad por el momento aun cuando el intervalo
    de confianza se extiende desde los $2800 hasta los $15800 para las próximas 10 semanas

    También podría gustarte