vol. 11 núm. 2 (2018)

Editorial, Volumen 11, Número 2

El pronóstico de series de tiempo que exhiben una estructura de segundo orden que vara en función del tiempo ha recibido especial atención debido a la dificultad de obtener buenos pronósticos, especialmente cuando existe una estructura poco homogénea al final de los datos. En este trabajo, se usa una metodología adecuada para pronosticar series de tiempo, con un alto nivel de ruido que evidencien no estacionariedad. Especialmente, se combina la transformación wavelet discreta de máximo traslape (MODWT) con el modelo ARFIMA-HYGARCH y redes neuronales. Ambos modelos se aplican para pronosticar la tasa de cambio USD/COP. Los resultados sugieren que la metodología basada en wavelets y redes neuronales, proveen pronósticos más precisos para pronosticar una apreciación/depreciación del tipo de cambio.

Actualmente, el Departamento de Planeación y Estadística de la Fuerza AéreaColombiana (FAC) planifica el número mensual de horas de vuelo que tendrá cadauna de sus aeronaves mediante el promedio de las horas que estuvieron estosequipos en el aire en el trimestre inmediatamente anterior. Debido a la inexactitudde los pronósticos actuales se presentan una serie de complicaciones a la horade ejecutar el presupuesto requerido pues generalmente resulta insuficiente. En elpresente trabajo se identifica un modelo ARFIMA(p,d,q) que permite pronosticaradecuadamente las horas de vuelo de la aeronave B-350 de la Fuerza Aérea Colombiana y que puede ser empleado por el alto mando militar para tomar decisiones administrativas acertadas en la planeación y uso mensual de esta aeronave.

The class of CUB models is commonly used by practitioners to model ordinal data, in this paper we propose the cubm package which provides the class of CUB models in the R system for statistical computing. The cubm package allows to specify a formula for each parameter of the model, the Maximum Likelihood (ML) estimation is performed by optimization via the functions nlminb, optim and DEoptim and the variance-covariance matrix can be obtained by numerical approximation of the Hessian matrix or by bootstrap method. The utility of the package is illustrated by an application and a simulation study.

En este trabajo se presenta una breve introducción a los instrumentos estadísticos y modelos necesarios para explicar la volatilidad de los precios de activos, al seguir la metodología de series temporales e involucrar el efecto de heterocedasticidad condicional. Con estos lineamientos definidos, se modela la volatilidad de los retornos en los precios de cierre diarios de acciones de la empresa colombiana de Cementos Argos S.A al tomar como referencia los modelos ARCH, GARCH, TGARCH, IGARCH, EGARCH, APARCH y SV$t$-AR(1) con el fin de determinar la efectividad de los modelos por fuera de la muestra. El modelo que mejor explica la volatilidad condicional de los retornos es el EGARCH(1,1) y el modelo que mejor realiza pronósticos de volatilidad es el SVt-AR(1).

El Valor en Riesgo (VaR), se define como la máxima perdida que se puede tener en la inversión de un portafolio con un determinado nivel de confianza, en un periodo determinado, en condiciones normales del mercado. Para calcularlo, existen diversas herramientas paramétricas y no paramétricas que se fundamentan en el supuesto de que los rendimientos de los activos siguen una distribución de probabilidad (con frecuencia la distribución Normal). Por su parte las copulas, vistas como funciones de distribución multivariadas, capturan las relaciones de dependencia diferentes a las lineales, ayudando a condensar la volatilidad de los activos multivariados que usualmente presentan comportamientos complejos de dependencia. Este trabajo presenta la implementación de la teoría de copulas bajo estándares del paradigma bayesiano con el objetivo de obtener la distribución de probabilidad que permita una correcta estimación del VaR de un portafolio comprendido por las acciones de Bancolombia y Ecopetrol.

La regresión logística bivariable considera una respuesta que contiene dos variables dicótomas que son explicadas por un conjunto de variables y que permite tener en cuenta el nivel de asociación que existe entre las variables dicótomas a diferencia de los modelos marginales usualmente utilizados. Se desarrolla la metodología para la estimación de modelos logísticos bivariables para datos en tablas de contingencia utilizando metodología GSK. Esto incluye tanto la estimación del modelo como la evaluación de la calidad del modelo la cual incluye pruebas de hipótesis.