La econometría se ocupa de formular relaciones entre variables económicas, cuantificarlas y valorar los resultados obtenidos, bien contrastando teorías económicas, bien evaluando e implementando políticas económicas públicas o de empresas, por lo que se dedica además al estudio y desarrollo de los métodos precisos para llevar a cabo estas tareas.

Nuestro objetivo es capacitar a los profesionales para que cuenten con las herramientas financieras teóricas y prácticas necesarias para medir el riesgo inherente en los negocios en los que participan las empresas a fin de que puedan predecir sus implicaciones y tomar las medidas de adecuación correspondientes.

Básicamente, lo que se pretende con el estudio de las series temporales es el conocimiento de una variable a través del tiempo a partir de este conocimiento, y bajo el supuesto de que no se van a producir cambios estructurales, poder realizar predicciones. Es, por tanto, la estabilidad temporal del conjunto de factores causales que operan sobre la variable dependiente, el elemento clave sobre el que se articulan las predicciones.

En los modelos causales (econométricos) se tienen se tienen en cuenta factores externos que pueden influir en las variables objeto de estudio. Relacionadas estas variables, en un modelo que describe la relación entre estas variables y la variable que se desea pronosticar.

La metodología de los modelos ARIMA fue formalizada por Box y Jenkins en 1976, de allí que también se les denomina modelos Box-Jenkins. Este enfoque parte del hecho de que la serie temporal que se trata de predecir es generada por un proceso estocástico cuya naturaleza puede ser caracterizada mediante un modelo. Para efectuar la estimación de un modelo ARIMA se requiere de una serie temporal diaria, mensual, trimestral, etc, con un elevado número de observaciones.

La metodología Box-Jenkins proporciona una forma apropiada para modelar o encontrar modelos dinámicos para emplearlos en pronóstico y control.

Te invitamos a participar en este CURSO TALLER para CONSTRUCCION DEL MODELO PARA EL PRONÓSTICO DEL ÍNDICE DE MOROSIDAD DE UNA CARTERA DE CREDITO DE UNA INSTITUCIÓN FINANCIERA MEDIANTE LA TECNICA BOX-JENKINS utilizando EVIEWS

Dirigido a: Directivos, Comité de Riesgos, Gerentes Generales, Gerentes Generales, Analistas de Riesgos, Asesores Financieros, Auditores Externos y demás profesionales que comparten el estudios de herramientas para optimización en la toma de decisiones.

CONTENIDO DEL PROGRAMA

1. Definiciones complementarias

1.1.    ¿Qué es una Serie de Tiempo y Cómo identificarla?

1.2.    Procesos Estocásticos:

1.2.1. Estacionarios

1.2.2. No estacionarios

1.2.3. De raíz unitaria

1.2.4. Integrados

1.2.5. De tendencia

1.3.     Estacionariedad de una Serie de Tiempo

1.3.1. Contraste Dickey Fuller

1.3.2. Contraste Phillip-Perron

1.3.3. Contraste ADF

1.3.4. Contraste KPSS

1.3.5. Análisis del Correlograma de los Residuos

1.4.     Procesos Estacionarios en tendencia

1.5.     Procesos Estacionarios en Diferencias

2. Introducción a los Modelos de Series Temporales

2.1.   Procesos AR

2.2.   Procesos MA

2.3.   Procesos ARMA

2.4.   Procesos ARIMA

3. Construcción del Modelo para el Pronóstico del Índice de Morosidad de una Cartera de Crédito de una Institución Financiera Mediante la técnica Box-Jenkins

3.1.      Análisis y Descomposición de la serie en estudio mediante Estadística Descriptiva.

3.2.     Identificación de estacionariedad de la serie en estudio mediante los contrastes estudiados

3.3.      Transformación de la serie de ser el caso que no sea estacionaria

3.4.     Análisis del correlograma de la serie para la obtención del Proceso Generador de los Datos (PGD)

3.5.     Estimación del modelo en base al correlograma de la serie.

4. Validación estadística del Modelo seleccionado

4.1.   Validación de la significancia estadística de los Procesos

4.2.   Verificación de las raíces de los proceso y su estabilidad

4.3.   Revisión de los principales estadísticos para la selección del mejor modelo

4.4.   Análisis del correlograma de los residuos y los residuos al cuadrado

5. Evaluación de la capacidad predictiva, sensibilidad y pronostico del modelo

5.1.  Estadisticos para la evaluación de la capacidad predictiva

5.2.  Sensibilización del modelo

5.3.  Pronóstico de un dato fuera de la muestra (static forecast)

5.4.  Pronóstico de 2 o más datos fuera de la muestra (dynamic forecast)

6. Procesos ARMA que responden a un comportamiento estacional

6.1.      SAR

6.2.      SMA

6.3.      SARMA

7. Conclusiones respecto al alcance, ventajas y desventajas de la Econometría de las Series de Tiempo.

Duración: 20 horas

Horario: 18h00 – 22h00

Lugar: Av. Leopoldo Carrera #103 (Ceibos)

Informes e Inscripciones:

Ruth Balda C.

Email: vbalda@econintsa.ec  ; vbaldax@hotmail.com; admin@econintsa.ec

Cel.: 0939795971 – 0969544922