Diplomado en Modelos Dinámicos para Finanzas y Economía, versión presencial

MÓDULO 1: MODELOS ECONOMÉTRICOS Y VARIABLES CATEGÓRICAS

Objetivo
Introducir variables cualitativas explicativas en el modelo econométrico y conocer sus diferentes aplicaciones. Impartir los conocimientos necesarios para identificar y estimar un sistema de ecuaciones simultáneas.

Temario
1. Modelos con variables de tipo cualitativo. Variables dicotómicas
1.1 Naturaleza de las variables dicotómicas
1.2 Modelos con variables explicativas cualitativas. Cambio estructural. Análisis estacional
2. Modelos de ecuaciones simultáneas
2.1 Naturaleza de los modelos de ecuaciones simultáneas. Ejemplos
2.2 El problema de identificación. Condiciones de orden y de rango
2.3 Métodos de estimación. Mínimos cuadrados indirectos. Mínimos cuadrados
en dos etapas
2.4 Sistema de ecuaciones aparentemente no relacionadas
3. Aplicaciones


MÓDULO 2: MODELOS DE PRONÓSTICO PARA SERIES DE TIEMPO

Objetivo
Proporcionar los conceptos y conocimientos necesarios para distinguir entre los enfoques cualitativo y cuantitativo del pronóstico. Reconocer el tipo del modelo subyacente a cada una de las técnicas de pronóstico estadístico y validarlo, y aplicar adecuadamente la técnica cuantitativa de pronóstico, dependiendo de las características y el volumen de los datos disponibles.

Temario
1. Introducción al pronóstico. Pronóstico estadístico
2. Conocimiento de los datos
2.1 Inspección de los datos
2.2 Suavizamiento
3. Uso de transformaciones
3.1 Transformaciones lineales
3.2 Transformaciones no lineales
3.3 Selección de una transformación
4. Criterios para elegir una técnica de pronóstico
5. Modelos de pronóstico
5.1 Pronóstico de series no estacionales
5.2 Pronóstico de series estacionales
6. Evaluación de los pronósticos
7. Aplicaciones



MÓDULO 3 : ANÁLISIS DE SERIES DE TIEMPO

Objetivo
Presentar las herramientas que se utilizan con mayor frecuencia en el análisis de series de tiempo. El análisis se enfoca en el dominio del tiempo, con énfasis particular en la familia de modelos ARIMA. La estrategia de elaboración de modelos es la propuesta por Box y Jenkins.

Temario
1. Introducción al análisis de series de tiempo
2. Elementos de ecuaciones en diferencia
2.1 Notación y conceptos elementales
2.2 Uso de operadores de retraso
3. Modelos para series univariadas
3.1 Identificación de modelos ARIMA
3.2 Estimación de modelos ARIMA
3.3 Verificación de los modelos
4. Pruebas de raíces unitarias
5. Modelos para series estacionales
5.1 Análisis de series estacionales
5.2 Elaboración de modelos
6. Pronósticos para series de tiempo
6.1 Caso estacionario
6.2 Caso no estacionario
7. Aplicaciones



MÓDULO 4: OTROS TEMAS DE SERIES DE TIEMPO

Objetivo
Repasar algunos temas del análisis de series de tiempo que han resultado útiles en la práctica, para realizar estudios de series de economía y finanzas. Ejercitar la aplicación de las metodologías presentadas.

Temario
1. Modelos de heteroscedasticidad condicional
1.1 Procesos ARCH
1.2 Procesos GARCH
1.3 Procesos IGARCH
1.4 Procesos A-GARCH, T-GARCH y EGARCH
1.5 Procesos ARCH-M
2. Métodos para ajuste estacional de series de tiempo
2.1 Introducción al ajuste estacional de series de tiempo
2.2 Métodos para ajuste estacional de series de tiempo
2.3 Componentes no observables de una serie de tiempo
2.4 Procedimiento X13-ARIMA
2.5 Descomposición con el proceso X11
3 Análisis de intervención
3.1 Teoría del análisis de intervención
3.2 Funciones dinámicas de intervención
3.3 Metodología del análisis de intervención
4 Aplicaciones



MÓDULO 5: INTRODUCCIÓN AL ESTUDIO DE SERIES DE TIEMPO MÚLTIPLES

Objetivo
Presentar modelos para el análisis conjunto de varias series de tiempo. Subrayar la riqueza de análisis, teórico y empírico, que se obtiene al considerar el estudio de varias variables en forma simultánea. Mostrar el tipo de resultados que se pueden obtener en la práctica.

Temario
1. Modelos para series de tiempo múltiples
1.1 Relación con modelos de ecuaciones simultáneas
1.2 Extensión de modelos ARMA al caso multivariado
2. Cointegración bivariada
2.1 Regresión espuria
2.2 Relación entre cointegración e integración
3. Vectores autorregresivos
4. Causalidad de Granger
5. Función de respuesta al impulso
6. Descomposición de la varianza del pronóstico
7. Análisis de cointegración
8. Modelos en forma de corrección de errores
9. Aplicaciones