Esta es la prueba de cierre. Seis lecciones construyeron la maquinaria para modelar rendimientos a lo largo del tiempo — desde la puerta que toda técnica debe pasar hasta la disciplina que te impide engañarte. Aprendiste por qué los precios son no estacionarios (una raíz unitaria, shocks que nunca decaen) mientras que los rendimientos son más o menos estacionarios; cómo la ACF y la PACF leen la memoria de una serie frente a la banda de ruido blanco e identifican un modelo; cómo AR, MA y ARIMA convierten esos patrones en ecuaciones ajustadas para la media; cómo el agrupamiento de volatilidad rompe el supuesto de varianza constante y GARCH(1,1) pronostica la varianza con tres parámetros; cómo EWMA es el caso especial IGARCH que impulsa el VaR de RiskMetrics; y cómo el sesgo de anticipación, el sobreajuste y el data-snooping hacen mentir a un backtest. Sin hoja de fórmulas, sin pistas, sin marcha atrás: cada respuesta se bloquea en el instante en que la envías, las opciones erróneas son las trampas exactas que engañan a mesas reales, y tu puntuación permanece oculta hasta el final.
Big picture
Finanzas de series temporales — toda la escalera
- Finanzas de series temporales
- Estacionariedad y rendimientos
- Media y varianza constantes, autocovarianza solo del retardo
- Precios: raíz unitaria (φ=1), no estacionarios
- Rendimientos ≈ I(0); pruebas ADF, logaritmos y diferenciación lo arreglan
- Autocorrelación, ACF y PACF
- Banda de ruido blanco ±2/√n
- AR corta en la PACF, MA en la ACF
- Ljung–Box: prueba conjunta, limpia en residuos
- AR, MA y ARIMA
- AR: valores pasados; MA: shocks pasados
- ARIMA(p,d,q): diferencia d veces y luego ARMA
- Elige por AIC/BIC; modela la media, no la varianza
- Agrupamiento de volatilidad y GARCH
- ACF de rendimientos plana, ACF de rendimientos al cuadrado persistente
- GARCH(1,1): ω + α·ε² + β·σ²
- Persistencia α+β; largo plazo ω/(1−α−β)
- EWMA y RiskMetrics
- σ²=λσ²+(1−λ)r²; semivida ln0,5/lnλ
- IGARCH: ω=0, α+β=1, sin reversión a la media
- λ=0,94 diario; VaR ≈ 2,33·σ·posición
- Trampas del backtesting
- Sesgo de anticipación: regla del retardo de una barra
- Sobreajuste: dentro de muestra sube, fuera cae
- Data-snooping: 1 − 0,95^N; walk-forward
- Estacionariedad y rendimientos
Cómo funciona este examen
Este es un examen con nota. Las preguntas llegan de una en una. Una vez que envías una respuesta, es definitiva — no hay vuelta atrás, no hay segundo intento, y una respuesta equivocada simplemente suspende esa pregunta. Tu puntuación permanece oculta hasta el final, donde necesitas un 70% para aprobar. Lee todas las opciones antes de decidir.
¿Qué significa que una serie temporal sea (débilmente) estacionaria?
Selecciona una respuesta para continuar.
¿Aprobado? Esto es lo que ahora dominas
Puedes tomar una serie de precios en bruto y hacer todo el flujo que hace un quant: probarla en busca de una raíz unitaria, diferenciarla en rendimientos estacionarios, leer la ACF y la PACF para identificar un modelo, ajustar y validar un ARIMA para la media, superponer un GARCH o un EWMA para la varianza variable en el tiempo y el VaR, y — lo más importante — evaluar el resultado con suficiente sospecha como para que el sesgo de anticipación, el sobreajuste y el data-snooping no te engañen. Sabes qué herramienta encaja en cada trabajo, y por qué un backtest precioso es culpable hasta que se demuestre su inocencia.
Ese es el instrumental de series temporales, de principio a fin — el lenguaje estadístico de los rendimientos a lo largo del tiempo, y la disciplina para usarlo sin engañarte. Ahora dominas tanto los modelos como el juicio para saber cuándo fiarte de ellos.