METODOLOGA DEL PRONSTICO POR EXTRAPOLACIN DEL PRECIO DE LOS METALES

Luis Ramirez Grados Ctta. JIT & Asociados S.A.C. Lramirez2010@gmail.com

RESUMEN En este trabajo tcnico se ha utilizado el anlisis de tendencia. El objetivo general es determinar una ecuacin de interpolacin de la forma:

Donde los ai son los coeficientes, y(x) es el precio en el ao x, y x es el ao relativo al ao inicial ( x = 0 ). Para la extrapolacin el primer enfoque que se ha usado es una funcin exponencial del tipo: Los precios de los metales utilizados de preferencia son los dlares americanos constantes debido a que la lnea de tendencia es independiente de la inflacin. Asimismo el estadstico muestral t student nos da la medida de la importancia de la variable. Hemos aplicado tambin los modelos economtricos de pronstico a corto plazo que obedecen a la siguiente ecuacin lineal mltiple:

Aqu se ha controlado con el estadstico Durbin-Watson que es una medida de la correlacin serial en los residuos. Este mtodo tiene la ventaja de predecir los ciclos de los mercados a corto plazo y evala el efecto de los cambios en la estructura mercado produccin. Se hace tambin una diferencia entre los pronsticos de los precios de los metales a corto plazo y a largo plazo. Ambos son dominados por consideraciones macroeconmicas y condiciones esperadas del negocio. De esta manera damos un pronstico de la oferta, mecanismos de balance, influencias sobre la demanda y demanda anticipada. Hemos utilizado como base de datos los precios de los commodities Au, Ag, Sn, xidos de Tierras Raras, Cu, Zn, Pb de la United States Geological Survey desde 1990 hasta el 2010. Asimismo hemos introducido el modelado ARIMA / Box Jenkins para los precios stocks, de igual manera el uso de la Redes Neurales para la prediccin de los precios de los stocks. Finalmente hemos efectuado predicciones con el kriging ordinario y utilizando una variografa esfrica para cada precio constante de los metales pronosticados y validado conjuntamente con las predicciones de la Onda de Elliott especficamente en la quinta onda. SYNOPSIS We have used as database of prices of commodities Au, Ag, Sn, Rare Earths Oxides, Cu, Zn, Pb of the United States Geological Survey since 1990 until 2010. We have also introduced the ARIMA modeling / Box Jenkins for pricing stocks, in the same way the use of neural networks to the prediction of stock prices. We have finally made the ordinary kriging predictions and using a spherical variography for each constant price of metals predicted and validated jointly with the Elliott wave forecasts specifically in the fifth wave.
Palabras Clave Precios Constantes, Precios Corrientes, Inflacin, Deflacin, Indice de Precio del Consumidor.

1 INTRODUCCIN El pronstico es la estimacin de una variable, ( o conjunto de variables ) en un punto futuro del tiempo. El pronstico proporciona una ayuda en la toma de decisiones y planeamiento del futuro.

De esta manera, la premisa es que si podemos predecir cmo ser el futuro entonces podemos modificar nuestro comportamiento ahora y estar en una mejor posicin cuando el futuro llegue. Los problemas del pronstico se clasifican segn la escala del tiempo en : corto, mediano y largo plazo. 1

Cuadro I Clasificacin de los Pronsticos

Fuente : Forecasting por Joe Choong,2010

Fig. 2 Precios Extrapolados de la Ag desde el 2015 al 2050. El error estndar es se = 68410.95

2 PRONSTICO POR EL MTODO DE LAS SERIES TEMPORALES Aqu tenemos una variable simple que cambia con el tiempo, i.e., los precios corrientes de los metales son deflatados al ao 1998 ( base comn de referencia o soporte ) obtenindose los precios constantes o reales segn el Indice de Precios al Consumidor y viene dado en 98 US$/t. Se usar el estndar de la United States of Geological Survey.Los valores futuros de estos precios constantes estn relacionados con sus correspondientes valores pasados. De aqu hemos usado el Suavizado Doble Exponencial o Mtodo de Holt. Se aplica donde existe una tendencia.que generalmente es no-lineal y esto es inherente en todos los charts o grficos de los commodities. Se observa que hay tres tendencias bsicas de los precios: cayendo ( falling ), estable y subiendo ( rising).

Fig. 3 Precios Extrapolados del Sn desde el 2015 al 2050. El error estndar es se = 3082.06

Fig. 1 Precios Extrapolados del Au desde el 2015 al 2050. El error estndar es se = 1650188.81

Fig. 4 Precios Extrapolados de los xidos de Tierras Raras desde el 2015 al 2050. El error estndar es se = 14323.45. El xido de Cerio (99.5% - 99.9%) est actualmente en US$ 12.96/lb fino. El xido de praseodimio (99% 99.9%) est en US$ 50.04/lb fino. El xido de neodimio est en US$ 65.18/lb fino. Los ms fciles de extraer ( fcil minado ) son el cerio y el neodimio.

Para aplicar el modelo ARIMA las series temporales necesitan ser estacionarias, i.e., la media, la varianza y la autocorrelacin deben ser constantes todo el tiempo. El estadstico James Durbin Geoffrey Watson (dw) nos ayudar en esto. Asimismo se han utilizado los estadsticos de Funcin Penalty para efectuar el anlisis de las series temporales los cuales minimizan el error y stos son: Criterio de Informacin Akaike (AIC). Error de Prediccin Final (FPE) [Akaike, 1974]. Criterio de Informacin Bayesiana ( BIC ) [ Schwarz, 1978 ].

Fig. 5 Precios Extrapolados del Cu desde el 2015 al 2050. El error estndar es se = 895.85

Fig. 6 Precios Extrapolados del Zn desde el 2015 al 2050. El error estndar es se = 484.61 Fig. 8 La interpolacin y extrapolacin est dada por la lnea celeste y(t), la lnea yt define los Precios Anuales Constantes 98 US$/t del Au. El estadstico Durbin-Watson es dw = 0.74346, lo cual implica una correlacin positiva. El AIC = 10.352,el BIC = 11.009 y el S.E.= 43.896

Fig. 7 Precios Extrapolados del Pb desde el 2015 al 2050. El error estndar es se = 312.67

3 PRONSTICO POR EL MTODO ARIMA / BOX-JENKINS El modelo ARIMA o AutoRegressive Integrated Moving Average tambin conocido como la tcnica de Box Jenkins es el mtodo de las Series Temporales pero en su forma ms avanzada. Este modelo asume que las series temporales han sido generadas por un proceso de probabilidad con valores futuros relacionados a valores pasados. Fig. 9 La interpolacin y extrapolacin est dada por la lnea celeste y(t), la lnea yt define los Precios Anuales Constantes 98 US$/t de la Ag. El estadstico Durbin-Watson es dw = 1.26887, lo cual implica una correlacin serial positiva. El AIC = 6.897, el BIC = 7.554 y el S.E. = 8.034.

Fig. 10 La interpolacin y extrapolacin est dada por la lnea celeste y(t), la lnea yt define los Precios Anuales Constantes 98 US$/t del Sn. El estadstico Durbin-Watson es dw = 0.78799, lo cual implica una correlacin positiva. El AIC = 3.478 , el BIC = 4.135 y el S.E. = 1.926 .

Fig. 13 La interpolacin y extrapolacin est dada por la lnea celeste y(t), la lnea yt define los Precios Anuales Constantes 98 US$/t del Zn. El estadstico Durbin-Watson es dw = 1.32997, lo cual implica una correlacin serial positiva. El AIC = 1.509 , el BIC = 2.166 y el S.E. = 0.702

Fig. 11 La interpolacin y extrapolacin est dada por la lnea celeste y(t), la lnea yt define los Precios Anuales Constantes 98 US$/t de los xidos de Tierras Raras. El estadstico DurbinWatson es dw = 0.89208, lo cual implica una correlacin positiva. El AIC = 5.399 , el BIC = 6.055 y el S.E. = 1.766

Fig. 14 La interpolacin y extrapolacin est dada por la lnea celeste y(t), la lnea yt define los Precios Anuales Constantes 98 US$/t del Pb. El estadstico Durbin-Watson es dw = 1.04161, lo cual implica una correlacin serial positiva. El AIC = 1.028 , el BIC = 1.685 y el S.E. = 0.766

4 PRONSTICO POR EL MTODO DE LAS REDES NEURALES La Red Neural ( NN o Neural Network ) no es un trmino mdico, es una rama de la Inteligencia Artificial. La Red Neural puede predecir los precios futuros de los commodities a partir del histrico de dichos precios. Las NN son herramientas computacionales que examinan los datos y desarrollan modelos que ayudan a identificar interesantes patrones o estructuras en los datos. Utiliza el proceso de retropropagacin como algoritmo de aprendizaje. La NN utiliza una funcin de transferencia que para nuestro caso ser la funcin sigmoide que es no-lineal:

Fig. 12 La interpolacin y extrapolacin est dada por la lnea celeste y(t), la lnea yt define los Precios Anuales Constantes 98 US$/t del Cu. El estadstico Durbin-Watson es dw = 0.93657, lo cual implica una correlacin positiva. El AIC = 2.158 , el BIC = 2.814 y el S.E. = 0.954

y lleva una mayor cantidad de neuronas reales (aprendizajes o experiencias reales ) en comparacin a la funcin lineal o funcin pico. A esta funcin sigmoide le aplicamos una optimizacin numrica.

Fig. 17 El Error Medio Cuadrtico de la regresin es MSE = 0.05328

En el contexto de NN, una neurona es un modelo de clula neural en los animales y humanos. Este modelo es simple; pero muy prctico. Debemos pensar que la neurona es un programa que tiene muchas entradas y produce una salida. Fig. 18 El Error Medio Cuadrtico de la regresin es MSE = 0.15939

Fig. 15 El Error Medio Cuadrtico de la regresin es MSE = 0.14387 Fig. 19 El Error Medio Cuadrtico de la regresin es MSE = 0.08035

Fig. 16 El Error Medio Cuadrtico de la regresin es MSE = 0.11468 Fig. 20 El Error Medio Cuadrtico de la regresin es MSE = 0.18751 5

Fig. 21 El Error Medio Cuadrtico de la regresin es MSE = 0.05718

Fig. 23 El estadstico Durbin-Watson es dw = 0.13285, por lo tanto hay una autocorrelacin positiva detectada al 95% de confianza.

5 PRONSTICO POR EL MTODO DE LA REGRESIN LINEAL MLTIPLE La regresin mltiple se ha utilizado con el propsito del pronstico analizando de qu manera las variables independientes han afectado histricamente a la variable dependiente. La relacin entre estas variables independientes y la variable dependiente viene dada por: y = k1*x1 + k2*x2 + + kn*xn + k(n+1) + E donde : y = valor de la variable dependiente pronosticada k = coeficientes correspondientes a la variable independiente x = variables independientes k(n+1) = valor de y cuando todas las Xs son cero. n = nmero de variables independientes E = trmino de error. La variable dependiente y ha sido predicha por el pronstico de las variables independientes.

Fig. 24 El estadstico Durbin-Watson es dw = 0.15029, por lo tanto hay una autocorrelacin positiva detectada al 95% de confianza

Fig. 22 El estadstico Durbin-Watson es dw = 0.19042, por lo tanto hay una autocorrelacin positiva detectada al 95% de confianza.

Fig. 25 El estadstico Durbin-Watson es dw = 0.40545, por lo tanto hay una autocorrelacin positiva detectada al 95% de confianza.

6 PRONSTICO POR EL MTODO DEL KRIGING ORDINARIO

Fig. 26 El estadstico Durbin-Watson es dw = 0.10399, por lo tanto hay una autocorrelacin positiva detectada al 95% de confianza.

Fig. 29 Variograma Temporal Esfrico del Au: varianza nugget Co = 0.00, varianza sill C = 23,490.00, alcance o range a = 16.60, Error Cuadrtico Medio MSE = 3543.75

Fig. 27 El estadstico Durbin-Watson es dw = 0.20546 por lo tanto hay una autocorrelacin positiva detectada al 95% de confianza.

Fig. 28 El estadstico Durbin-Watson es dw = 0.17518 por lo tanto hay una autocorrelacin positiva detectada al 95% de confianza.

Fig. 30 Variograma Temporal Esfrico de la Ag: varianza nugget Co = 4.34, varianza sill C = 28.04, alcance o range a = 18.37, Error Cuadrtico Medio MSE = 10.2757

Fig. 31 Variograma Temporal Esfrico de la Sn: varianza nugget Co = 0.3476, varianza sill C = 9.9846, alcance o range a = 21.16, Error Cuadrtico Medio MSE = 1.6459

Fig. 33 Variograma Temporal Gaussiano del Cu: varianza nugget Co = 0.1814, varianza sill C = 0.5793, alcance o range a = 16.42, Error Cuadrtico Medio MSE = 0.1418.

Fig. 32 Variograma Temporal Gaussiano de los xidos de Tierras Raras : varianza nugget Co = 115.10, varianza sill C = 457.10, alcance o range a = 19.80, Error Cuadrtico Medio MSE = 88.6107

Fig. 34 Variograma Temporal Esfrico del Zn: varianza nugget Co = 0.009851, varianza sill C = 0.070651, alcance o range a = 8.955, Error Cuadrtico Medio MSE = 0.0489.

la estadstica del Nearest Neighbor igual a S.E. = 3.55359. ( Variance Prediction Error ). La varianza del Block Kriging es Sigma2 = 14.600

Fig. 35 Variograma Temporal Gaussiano del Pb: varianza nugget Co = 0.01696, varianza sill C = 0.04385, alcance o range a = 13.61, Error Cuadrtico Medio MSE = 0.0157.

Fig. 38 Krigeado Temporal Ordinario del Sn: presenta un error estndar de la prediccin segn la estadstica del Nearest Neighbor igual a S.E. = 2.2883473. ( Variance Prediction Error ). La varianza del Block Kriging es Sigma2 = 3.8823

Fig. 36 Krigeado Temporal Ordinario del Au: presenta un error estndar de la prediccin segn la estadstica del Nearest Neighbor igual a S.E. = 114.319776. ( Variance Prediction Error ). La varianza del Block Kriging es Sigma2 = 22,598.00

Fig. 39 Krigeado Temporal Ordinario de los xidos de Tierras Raras: presenta un error estndar de la prediccin segn la estadstica del Nearest Neighbor igual a S.E. = 0.2977665 ( Variance Prediction Error ). La varianza del Block Kriging es Sigma2 = 8.4893

Fig. 37 Krigeado Temporal Ordinario de la Ag presenta un error estndar de la prediccin segn 9

Fig. 40 Krigeado Temporal Ordinario del Cu: presenta un error estndar de la prediccin segn la estadstica del Nearest Neighbor igual a S.E. = 0.151789 ( Variance Prediction Error ). La varianza del Block Kriging es Sigma2 = 0.32855

construir las ondas de precios en un ciclo harmnico ( sinusoidal o cosinusoidal ), En la actualidad las tendencias de precios no siguen las guas de Elliott; pero si siguen sus reglas. Las reglas de accin para el tiempo y el precio forman un PATRN DE ONDA que son derivados del ratio Fibonacci. En total 8 ondas diferentes se clasifican en dos categoras: Ondas Impulsivas: en esta categora existen cinco ondas nombradas como 12-3-4-5. Ondas Correctivas: existen 3 ondas y se nombran como A-B-C.

Fig. 41 Krigeado Temporal Ordinario del Zn: presenta un error estndar de la prediccin segn la estadstica del Nearest Neighbor igual a S.E. = 0.1256475 ( Variance Prediction Error ). La varianza del Block Kriging es Sigma2 = 0.061105

Las Ondas de Expansin pueden estar dadas por la onda 2 y la onda B, las cuales se utilizan en los pronsticos de corto y largo plazo. Existen patrones de la Onda de Elliott, a saber: - Tringulo contrado, - Doble 3, - Doble Zig-Zag, - Diagonal Final, - Plano, - Impulso, - Zig-Zag.

Fig. 42 Krigeado Temporal Ordinario del Pb: presenta un error estndar de la prediccin segn la estadstica del Nearest Neighbor igual a S.E. = 0.047421 ( Variance Prediction Error ). La varianza del Block Kriging es Sigma2 = 0.034995

7 PREDICCIONES CON LA ONDA DE ELLIOTT ( ELLIOTT WAVE PREDICTIONS ) Fig. 43 Modelo de Anlisis Tcnico mediante la Teora de la Onda de Ralph Nelson Elliott.

Las ocurrencias de similar clase de tendencias el futuro. En el enfoque onda est referido a marcos tiempo. Por ejemplo, el ciclo super grande una tendencia que sucede o re-ocurre cada aos.

en de es 10

8 CONCLUSIONES 8.1. C.C. Holt en 1958 ofreci un procedimiento que manipulaba tendencias el cual se denomina el doble suavizado exponencial que ha probado a travs de los aos ser muy til en muchas situaciones de pronstico. 8.2. Los precios de los commodities del cobre ( 10

El 2do. Principio de la Onda de Elliott dice: Cada accin del precio en un ciclo es harmnico en naturaleza. Elliott dio un conjunto de reglas y guas para

Cu ), del zinc ( Zn ) y del plomo ( Pb ) trabajan muy bien, a nivel predictivo o de pronstico, con el MODELO DE LAS SERIES TEMPORALES DE DOBLE EXPONENCIACIN ( Mtodo de Holt, 1958). 8.3. Segn el test BDS ( W.A. Brock, W.D. Dechert y J.A. Scheinmank, 1996 ) que mide el grado probabilstico o determinstico de los datos extrapolados, nos dan los sgtes. Resultados: 8.3.1. Para el cobre ( Cu ) : p-value =1.37 E-18, 8.3.2. Para el zinc ( Zn ) : p-value =3.19 E-17, 8.3.1. Para el plomo ( Pb ) : p-value =3.73 E-17, 8.4 Los xidos de Tierras Raras trabajan muy bien con la Tcnica de Box- Jenkins o ARIMA ( AutoRegressive Integrated Moving Average) .Este modelo ARIMA es til para otros modelos de pronstico como la Regresin Kernel. 8.5. Este mtodo ARIMA es conveniente parea todas las series temporales con cualquier patrn de cambio. 8.6. Segn el test BDS ( W.A. Brock, W.D. Dechert y J.A. Scheinmank, 1996 ) que mide el grado probabilstico o determinstico de los datos extrapolados, nos da el sgte. resultado: 8.6.1. Para los xidos de Tierras Raras : p-value =4.96 E-17. 8.7. Los precios de los commodities del oro ( Au ), de la plata ( Ag ) y del Estao ( Sn ), trabajan muy bien, a nivel predictivo o de pronstico, con el MODELO DE LA REGRESIN LINEAL MLTIPLE ( preferido en econometra). 8.8. Segn el test BDS ( W.A. Brock, W.D. Dechert y J.A. Scheinmank, 1996 ) que mide el grado probabilstico o determinstico de los datos extrapolados, nos dan los sgtes. Resultados: 8.8.1. Para el oro ( Au ) : p-value =1.04 E-15, 8.8.2. Para la plata ( Ag ) : p-value =5.12 E-17, 8.8.3. Para el estao ( Sn ) : p-value =4.71 E-17 e por alcanzarmeoR. ( p.diggle@lancaster.ac.uk ), 8.9. Los mtodos del Krigeado Temporal Ordinario y de la Tcnica de la Onda de Elliott presentan mayores valores p-value. Esto indica que los datos extrapolados por estos dos mtodos presentan mayor grado estocstico o mayor grado de caos. Sin embargo estas dos ltimas tcnicas tienen su fortaleza y conviene tenerlos siempre en cuenta a manera de referencia.

9 AGRADECIMIENTOS Nuestros sinceros agradecimientos al Dr. Peter J. Diggle, ( p.diggle@lancaster.ac.uk ) por alcanzarme el cdigo fuente del programa geoR para el Kriging Ordinario. Tambin nuestro agradecimiento a las plticas sostenidas con el grupo Mining GEOSTATISTICS de LinkedIn Groups donde el Ing. Leon Tolmay me indica el uso de la Simulacin Monte Carlo (SMC) para el Criterio de Decisin de la Gerencia de Operaciones Mina ( Conferencia 2009 en SudAfrica ). Asimismo Mark Roux nos indica que los indicadores para pronsticos son difciles debido a que las fluctuaciones son impredecibles; sin embargo se pueden analizar los perodos de tiempo y luego predecir las tendencias futuras.

10 REFERENCIAS Model - based Geostatistics por Peter J. Diggle y Paulo J. Ribeiro Jr., Editorial Springer Science + Business Media, LLC, USA, 2007 Freeware geoR de http://www.rproject.org). GSLIB, Geostatistical Software Library and Users Guide, por Clayton V. Deutsch y Andr G. Journel, Editorial Oxford University Press, USA, 1998 Practical Geostatistics por Isobel Clark, Editorial Geostokos (Ecosse) Limited, Scotland, 2001. Powerful Forecasting wit MS EXCEL por Joe Choong, Editorial XLPert Enterprise, USA, 2010 Using BDS statistics to detect nonlinearity in time series por Patrick Kuok Kun Chu,(fbakkc@umac.mo) University of Macau, Faculty of Business Administration,2000, China. Geostatistics Applied to Forecasting Metal Prices por Reginald Lloyd Faulkner, University of British Columbia, M.Sc. Thesis 1988, Vancouver, Canada. Modeling and Forecasting Primary Commodity Prices, por Walter C. Labys y F. Gerard Adams, Editorial AshGate Published Limited, UK, 2010.

11

12

APNDICE A

13

APNDICE A ( Continuacin )

14

15