Modelo ARIMA: Media Móvil Integrada Autoregresiva (ARIMA) en Trading
Una media móvil autoregresiva integrada, o ARIMA, es un modelo de análisis estadístico que utiliza datos de series temporales ya sea para comprender mejor el conjunto de datos o para predecir tendencias futuras.
Un modelo estadístico es autoregresivo si predice valores futuros en función de valores pasados. Por ejemplo, un modelo ARIMA podría buscar predecir los precios futuros de una acción o par de divisas basándose en su rendimiento pasado o pronosticar las ganancias de una empresa basándose en períodos anteriores.
- Los modelos autoregresivos integrados de media móvil (ARIMA) predicen valores futuros basándose en valores pasados.
- ARIMA utiliza medias móviles rezagadas para suavizar datos de series temporales.
- Son ampliamente utilizados en el análisis técnico para prever los precios futuros de instrumentos financieros.
- Los modelos autoregresivos asumen implícitamente que el futuro se asemejará al pasado.
- Por lo tanto, pueden resultar inexactos bajo ciertas condiciones del mercado, como crisis financieras o períodos de cambio tecnológico rápido.
El pronóstico mediante ARIMA se logra ingresando datos de series temporales para la variable de interés. El software estadístico identificará el número adecuado de rezagos o la cantidad de diferenciación que se aplicará a los datos y verificará la estacionariedad. Luego, mostrará los resultados, que a menudo se interpretan de manera similar a un modelo de regresión lineal múltiple.
¿En qué consiste el modelo ARIMA?
Un modelo ARIMA es una forma de análisis de regresión que evalúa la fuerza de una variable dependiente en relación con otras variables cambiantes. El objetivo del modelo es predecir movimientos futuros en valores financieros en los mercados examinando las diferencias entre los valores en la serie en lugar de a través de los valores reales.
Un modelo ARIMA puede entenderse desglosando cada uno de sus componentes de la siguiente manera:
- Autoregresión (AR): se refiere a un modelo que muestra una variable cambiante que regresa a sus propios valores rezagados, o anteriores.
- Integrado (I): representa la diferenciación de observaciones crudas para permitir que la serie temporal se vuelva estacionaria (es decir, los valores de datos se reemplazan por la diferencia entre los valores de datos y los valores anteriores).
- Media móvil (MA): incorpora la dependencia entre una observación y un error residual de un modelo de media móvil aplicado a observaciones rezagadas.
Aplicaciones del Modelo ARIMA
En negocios y finanzas, el modelo ARIMA se puede utilizar para pronosticar cantidades futuras (o incluso precios) basándose en datos históricos. Por lo tanto, para que el modelo sea confiable, los datos deben ser confiables y mostrar un período de tiempo relativamente largo durante el cual se hayan recopilado. Algunas de las aplicaciones del modelo ARIMA en los negocios se enumeran a continuación:
- Pronóstico de la cantidad de un bien necesaria para el próximo período basándose en datos históricos.
- Pronóstico de ventas e interpretación de cambios estacionales en las ventas.
- Estimación del impacto de eventos de marketing, lanzamientos de nuevos productos, etc.
Los modelos ARIMA se pueden crear en software de análisis de datos y ciencia de datos como R y Python.
Parámetros del modelo ARIMA
El siguiente acrónimo descriptivo explica el significado de cada uno de los componentes clave del modelo ARIMA:
- La “AR” en ARIMA significa autorregresión, indicando que el modelo utiliza la relación dependiente entre los datos actuales y sus valores pasados. En otras palabras, muestra que los datos se regresan a sus valores pasados.
- La “I” significa integrada, lo que significa que los datos son estacionarios. Los datos estacionarios se refieren a datos de series temporales que se han “estacionarizado” restando las observaciones de los valores anteriores.
- La “MA” significa modelo de media móvil, indicando que el pronóstico o resultado del modelo depende linealmente de los valores pasados. Además, significa que los errores en la predicción son funciones lineales de los errores pasados. Cabe destacar que los modelos de media móvil son diferentes de las medias móviles estadísticas.
Cada uno de los componentes AR, I y MA se incluye en el modelo como un parámetro. A los parámetros se les asignan valores enteros específicos que indican el tipo de modelo ARIMA. Una notación común para los parámetros de ARIMA se muestra y se explica a continuación:
ARIMA (p, d, q)
El parámetro p es el número de términos autorregresivos o el número de “observaciones rezagadas”. También se llama “orden de rezago” y determina el resultado del modelo al proporcionar puntos de datos rezagados.
El parámetro d se conoce como el grado de diferenciación. Indica cuántas veces se han restado los indicadores rezagados para hacer que los datos sean estacionarios.
El parámetro q es el número de errores de pronóstico en el modelo y también se denomina tamaño de la ventana de media móvil.
Los parámetros toman valores enteros y deben definirse para que el modelo funcione. También pueden tomar un valor de 0, lo que implica que no se utilizarán en el modelo. De esta manera, el modelo ARIMA se puede convertir en:
- Modelo ARMA (sin datos estacionarios, d = 0)
- Modelo AR (sin medias móviles o datos estacionarios, solo una autorregresión en valores pasados, d = 0, q = 0)
- Modelo MA (un modelo de media móvil sin autorregresión ni datos estacionarios, p = 0, d = 0)
Por lo tanto, los modelos ARIMA se pueden definir como:
- ARIMA(1, 0, 0) – conocido como el modelo autorregresivo de primer orden
- ARIMA(0, 1, 0) – conocido como el modelo de caminata aleatoria
- ARIMA(1, 1, 0) – conocido como el modelo autorregresivo de primer orden diferenciado, y así sucesivamente.
Una vez que se han definido los parámetros (p, d, q), el modelo ARIMA tiene como objetivo estimar los coeficientes α y θ, que son el resultado de utilizar datos previos para pronosticar valores.
Uso de Datos Estacionarios en ARIMA
En un modelo autoregresivo integrado de media móvil, los datos se diferencian para volverlos estacionarios. Un modelo que muestra estacionariedad es aquel que muestra constancia en los datos a lo largo del tiempo. La mayoría de los datos económicos y de mercado muestran tendencias, por lo que el propósito de la diferenciación es eliminar cualquier tendencia o estructura estacional.
La estacionalidad, que es cuando los datos muestran patrones regulares y predecibles que se repiten a lo largo de un año calendario, podría afectar negativamente al modelo de regresión. Si aparece una tendencia y no se evidencia estacionariedad, muchos de los cálculos a lo largo del proceso no se pueden realizar y no producirán los resultados previstos.
Un impacto único afectará los valores posteriores de un modelo ARIMA infinitamente en el futuro. Por lo tanto, el legado de la crisis financiera perdura en los modelos autoregresivos actuales.
¿Cómo Construir un Modelo ARIMA?
Para comenzar a construir un modelo ARIMA para una inversión, primero se debe obtener la mayor cantidad de datos de precios posible. Una vez que has identificado las tendencias de los datos, debes determinar el orden más bajo de diferenciación (d) observando las autocorrelaciones. Si la autocorrelación en rezago-1 es cero o negativa, la serie ya está diferenciada. Puede que necesites diferenciar la serie más si la autocorrelación en rezago-1 es mayor que cero.
A continuación, se debe determinar el orden de regresión (p) y el orden de la media móvil (q) al comparar autocorrelaciones y autocorrelaciones parciales. Una vez que tienes la información que necesitas, puedes elegir el modelo que utilizarás.
Ventajas y desventajas de los modelos ARIMA
Los modelos ARIMA tienen puntos fuertes y son buenos para hacer predicciones basándose en circunstancias pasadas, pero también hay razones para ser cautelosos al usar ARIMA. En marcado contraste con las advertencias de inversión que indican “el rendimiento pasado no es un indicador del rendimiento futuro…”, los modelos ARIMA asumen que los valores pasados tienen algún efecto residual en los valores actuales o futuros y utilizan datos del pasado para prever eventos futuros.
La siguiente lista enumera otras características de ARIMA que muestran aspectos positivos y negativos.
Ventajas:
- Es adecuado para pronósticos a corto plazo
- Solo necesita datos históricos
- Modela datos no estacionarios
Desventajas:
- No diseñado para pronósticos a largo plazo
- Malo para predecir puntos de inflexión
- Puede ser computacionalmente costoso
- Los parámetros son subjetivos
Diferencias entre los modelos autorregresivos y los modelos de medias móviles
ARIMA combina características autorregresivas con las de medias móviles. Un proceso autorregresivo AR(1), por ejemplo, es aquel en el que el valor actual se basa en el valor inmediatamente anterior, mientras que un modelo AR(2) es aquel en el que el valor actual se basa en los dos valores anteriores.
Una media móvil es un cálculo utilizado para analizar puntos de datos mediante la creación de una serie de promedios de diferentes subconjuntos del conjunto completo de datos para suavizar la influencia de valores atípicos. Como resultado de esta combinación de técnicas, los modelos ARIMA pueden tener en cuenta tendencias, ciclos, estacionalidad y otros tipos de datos no estáticos al realizar pronósticos.
Limitaciones del Modelo ARIMA
Aunque los modelos ARIMA pueden ser altamente precisos y confiables bajo las condiciones y la disponibilidad de datos adecuadas, una de las principales limitaciones del modelo es que los parámetros (p, d, q) deben definirse manualmente; por lo tanto, encontrar el ajuste más preciso puede ser un proceso largo de prueba y error.
De manera similar, el modelo depende en gran medida de la confiabilidad de los datos históricos y la diferenciación de los datos. Es importante asegurarse de que los datos se hayan recopilado con precisión y durante un período prolongado para que el modelo proporcione resultados y pronósticos precisos.
Hola Raul: donde se puede bajar el indicador de Arima, es paresido al Extrapolator, co sus 6 variantes, o mas al HP?, gracias por tus consejos, un saludo