Parte II: Eliminar la estacionalidad y normalizar los datos En la primera parte de esta serie, vimos que la limpieza de datos es un paso esencial en el proceso de análisis de series temporales. Este consta de los siguientes subpasos: Este artículo servirá de guía general para eliminar la estacionalidad y normalizar Read more…
Parte I: Valores faltantes y deducción de tendencia Los datos de series temporales son una secuencia de observaciones registradas a intervalos de tiempo regulares y que son usados comúnmente en múltiples campos, como finanzas, economía e ingeniería. Sin embargo, los datos de series temporales a menudo pueden contener ruido, valores atípicos, Read more…
Los modelos ARIMA son muy útiles para pronosticar series temporales para datos univariable. Sin embargo, existe un tipo de modelo ARIMA que también puede considerar otras variables. Este tipo de modelo se llama ARIMAX, que significa en inglés “Auto-Regressive Integrated Moving Average with eXogenous variables” . ARIMAX es una extensión del modelo ARIMA tradicional Read more…
Cuando se trabaja con datos de series temporales, es importante evaluar la calidad del modelo de forma que refleje con precisión las situaciones del mundo real. Generalmente, el proceso simplificado de construcción de un modelo de Machine Learning es el siguiente: Esta es la forma en que se hace tradicionalmente Read more…
Los modelos ARCH/GARCH pueden asistir o mejorar el pronóstico de los modelos ARIMA . En primer lugar, los datos de las series temporales deben ser estacionarios para que estos modelos sean aplicables. Si no, deberíamos aplicar algunas transformaciones como la diferenciación. Dado que estos modelos se utilizan principalmente en finanzas, en adelante nos referiremos a Read more…
La volatilidad (volatility) es una medida estadística de la dispersión de la información o varianza sobre su media en un periodo de tiempo determinado. En finanzas, se refiere a cuánto ha cambiado el precio entre periodos. Por ejemplo, si es alto, el precio subirá o bajará mucho de un día Read more…
Las series temporales pueden ser estacionales (seasonal). Esto significa que los datos tienen un ciclo que se repite de manera regular, por ejemplo semanalmente, mensualmente o anualmente. Algo que es importante es que la presencia de ciclos no significa que sea estacional. Para que un ciclo sea estacional éste tiene Read more…
Los modelos ARIMA son simples pero muy potentes a la hora de hacer series temporales. Los introdujimos en un artículo anterior, sin embargo los parámetros se han de elegir correctamente para que produzcan una predicción precisa. Un modelo ARIMA(p,d,q) se define por tres parámetros: p: Orden autoregresivo (autoregressive order) d: Read more…
Una serie temporal (time series) es un conjunto de muestras ordenadas en el tiempo. El tiempo suele ser la variable independiente y el objetivo suele ser hacer una predicción futura. Esto tiene muchas aplicaciones, como por ejemplo predecir las ventas, precios de acciones, temperaturas e incluso el número de casos Read more…