ECONOMETRÍA MULTIVARIANTE • MODELOS VAR(P) RSTUDIO • VARS • SERIES MACROFINANCIERAS PUBLICACIÓN: NOVIEMBRE 2020

Modelización Econométrica de Vectores Autorregresivos VAR(p) en RStudio

Estimación de sistemas dinámicos multivariantes VAR(p), pruebas de raíz unitaria y estacionariedad (Dickey-Fuller Aumentado), causalidad en el sentido de Granger, funciones de impulso-respuesta (IRF) y descomposición de varianza.

Autor: Jesús Benjamín Zerpa | Publicación: Noviembre de 2020 | Stack: R, vars, urca, tseries, forecast

Ver en RPubs Catálogo de Modelos

Sistema Dinámico

Modelo VAR(p)

Endogeneidad Simultánea Interacción dinámica entre múltiples series temporales

Diagnóstico Previo

Test ADF & Rezago

Estacionariedad I(0)/I(1) Selección óptima de orden p mediante AIC, HQ y SC

Inferencia Dinámica

Causalidad Granger

Precedencia Temporal Contraste estadístico de capacidad predictiva cruzada

Choque Estructural

Impulso-Respuesta

IRF & FEVD Trayectoria dinámica ante innovaciones ortogonalizadas

Econometría de Sistemas Multivariantes: Vectores Autorregresivos (Sims, 1980)

En macroeconomía y finanzas, las variables evolucionan de forma mutuamente endógena. Los modelos de Vectores Autorregresivos VAR(p) tratan cada variable del sistema como función de sus propios rezagos y de los rezagos de las demás variables, permitiendo cuantificar causalidad de Granger y funciones de impulso-respuesta (IRF).

library(tidyquant)

## Loading required package: lubridate

## 
## Attaching package: 'lubridate'

## The following objects are masked from 'package:base':
## 
##     date, intersect, setdiff, union

## Loading required package: PerformanceAnalytics

## Loading required package: xts

## Loading required package: zoo

## 
## Attaching package: 'zoo'

## The following objects are masked from 'package:base':
## 
##     as.Date, as.Date.numeric

## 
## Attaching package: 'PerformanceAnalytics'

## The following object is masked from 'package:graphics':
## 
##     legend

## Loading required package: quantmod

## Loading required package: TTR

## Registered S3 method overwritten by 'quantmod':
##   method            from
##   as.zoo.data.frame zoo

## Version 0.4-0 included new data defaults. See ?getSymbols.

## == Need to Learn tidyquant? ==================================
## Business Science offers a 1-hour course - Learning Lab #9: Performance Analysis & Portfolio Optimization with tidyquant!
## </> Learn more at: https://university.business-science.io/p/learning-labs-pro </>

library(tidyverse)

## -- Attaching packages --------------------- tidyverse 1.3.0 --

## v ggplot2 3.3.2     v purrr   0.3.4
## v tibble  3.0.1     v dplyr   1.0.0
## v tidyr   1.1.0     v stringr 1.4.0
## v readr   1.3.1     v forcats 0.5.0

## -- Conflicts ------------------------ tidyverse_conflicts() --
## x lubridate::as.difftime() masks base::as.difftime()
## x lubridate::date()        masks base::date()
## x dplyr::filter()          masks stats::filter()
## x dplyr::first()           masks xts::first()
## x lubridate::intersect()   masks base::intersect()
## x dplyr::lag()             masks stats::lag()
## x dplyr::last()            masks xts::last()
## x lubridate::setdiff()     masks base::setdiff()
## x lubridate::union()       masks base::union()

library(plotly)

## 
## Attaching package: 'plotly'

## The following object is masked from 'package:ggplot2':
## 
##     last_plot

## The following object is masked from 'package:stats':
## 
##     filter

## The following object is masked from 'package:graphics':
## 
##     layout

# Extract basket prices
tickers <- c("MSFT","JNJ","MA", "PEP", "WMT","MCD")

# Load basket prices
tickers <- c("MSFT","JNJ","MA", "PEP", "WMT","MCD")
basket_prices <- tq_get(tickers, get='stock.prices', from='2005-01-01', to = '2020-09-30') %>%
  rename(ticker = symbol)
basket_prices %>%
  ggplot(aes(x = date, y = adjusted)) +
    geom_line(aes(color = ticker))

Vectores Autorregresivos (VAR) en RStudio - figura 1

Por:
Jesús Benjamín Zerpa
Economista
JesusZerpaEconomia@Gmail.Com
Publicado: Noviembre de 2020

Vectores Autorregresivos (VAR) en RStudio - figura 2

Excepto donde se indique lo contrario, el contenido de esta obra está bajo una licencia de Creative Commons Reconocimiento 4.0 Internacional.

Síntesis: Aplicaciones de los Modelos VAR en Planificación y Finanzas

1. Cuantificación de Efectos de Traspaso (Pass-Through): Las funciones de impulso-respuesta (IRF) y la descomposición de varianza del error de predicción (FEVD) permiten medir el impacto dinámico de choques monetarios, cambiarios o de precios sobre las variables clave del negocio.

2. Rigor Diagnóstico: La verificación de estabilidad de raíces dentro del círculo unitario y ausencia de autocorrelación serial residual garantiza pronósticos multivariantes consistentes.

Sigue explorando

Comentarios y Discusión Técnica

Comunidad Cuantitativa

Cargando comentarios de la comunidad...

Modelización Econométrica de Vectores Autorregresivos VAR(p) en RStudio

Econometría de Sistemas Multivariantes: Vectores Autorregresivos (Sims, 1980)

Síntesis: Aplicaciones de los Modelos VAR en Planificación y Finanzas

Otros Trabajos del Portafolio

Modelo de Pronósticos para Ventas en Volumen

Modelización de la volatilidad y Valor en Riesgo (VaR) del Bitcoin

Aprendizaje Automático (Machine Learning)

Portafolio de Fronteras Eficientes Markowitz

Evaluación y Formulación de Proyectos de Inversión

Financial Dashboard

Exploración de Datos Macroeconómicos con Rstudio

Sistema Integrado Geográfico SIG

Pronósticos con Prophet para el Bitcoin y Ether

Simulación Monte Carlo

Power BI, una de las mejores herramientas BI

Análisis de procesos de negocio utilizando la plataforma de Rstudio

Análisis Técnico del Bitcoin en Rstudio