Parte VIII · Los datos
Series de tiempo y predicción
Se construye sobre: Estadística, Probabilidad
Imagina que tienes las ventas de una tienda, mes por mes, durante diez años. Te pido que me digas cuánto se va a vender en diciembre. Lo primero que haces, sin pensarlo, es mirar los diciembres anteriores. Lo segundo, mirar si el negocio viene creciendo. Lo tercero, mirar cómo le fue el mes pasado. Con esas tres miradas ya estás haciendo análisis de series de tiempo, y casi todo lo que sigue es poner en limpio esa intuición y, sobre todo, aprender a desconfiar de ella con método.
Una serie de tiempo es una lista de mediciones ordenadas por el momento en que se tomaron: . Dicho así parece una tabla cualquiera, pero tiene una propiedad que lo cambia todo: el orden importa. En la estadística de una encuesta, las respuestas se pueden barajar sin perder nada, porque cada persona es un dato independiente de las demás. Si barajas las ventas mensuales, destruyes justo lo que querías estudiar. El mes de hoy se parece al del mes pasado, diciembre se parece a diciembre, y esa dependencia, que en una encuesta sería un defecto, aquí es la información.
Tres piezas: tendencia, estación y lo que sobra
La primera herramienta es partir la serie en piezas que se puedan mirar por separado. La descomposición aditiva clásica escribe
donde es la tendencia, el movimiento lento de fondo; es la estacionalidad, un patrón que se repite con período fijo (doce meses, siete días, veinticuatro horas); y es el residuo, lo que ninguna de las dos explica. La tendencia se estima con una media móvil que abarca un ciclo completo, para que el patrón estacional se cancele dentro del promedio; la estacionalidad, promediando lo que queda para cada mes; el residuo es la resta. Si las oscilaciones crecen con el nivel (una tienda que vende el doble también varía el doble), la versión natural es multiplicativa, y tomando logaritmos vuelve a ser una suma.
La descomposición no es una ley del mundo; es una manera de mirar. Pero separa preguntas que mezcladas confunden: ¿está creciendo el negocio, o solo llegó diciembre?
Una serie que se acuerda de sí misma
Para medir cuánto se parece una serie a su propio pasado se usa la autocorrelación: la correlación entre la serie y una copia de sí misma corrida pasos, el rezago. Para una serie cuyas propiedades no cambian con el tiempo,
El dibujo de contra se llama correlograma, y se lee como una radiografía. En la serie de juguete de la animación de más abajo (diez años mensuales con tendencia, un ciclo anual y ruido), si le quito la tendencia, la autocorrelación vale 0,80 a un mes, −0,86 a seis meses y otra vez 0,80 a doce: seis meses después estás en la fase opuesta del ciclo, doce meses después estás otra vez en la misma. El ciclo, que a ojo se intuye, en el correlograma aparece como un pico con fecha exacta. Buscar periodicidades escondidas así es pariente cercano de lo que hace el análisis de señales con la transformada de Fourier: misma matemática, otra pregunta.
Estacionariedad, o pedirle al pasado que se parezca al futuro
Casi todos los modelos clásicos piden que la serie sea estacionaria en sentido débil: que su media y su varianza no cambien con el tiempo, y que la covarianza entre y dependa solo del rezago y no de . Sin eso, la fórmula de de arriba ni siquiera está bien definida: no hay una sola varianza que poner en el denominador. La idea de fondo es la de cualquier aprendizaje: si las reglas cambian todo el tiempo, el pasado no enseña nada.
Una serie con tendencia no es estacionaria, porque su media sube. El truco más simple para arreglarla es diferenciar: mirar el cambio en vez del nivel,
que es la versión discreta de la derivada. Una tendencia recta se convierte en una constante; una estacionalidad de doce meses se quita con la diferencia estacional . Con una o dos diferencias, muchas series reales quedan razonablemente estacionarias, y para volver al nivel original basta sumar los cambios acumulados, como quien integra.
Cuatro maneras de adivinar el mes que viene
Los modelos clásicos son pocos y se entienden con una fórmula cada uno. El más tonto, y sorprendentemente difícil de superar, es el ingenuo: mañana será como hoy, . Su primo estacional dice que cada mes será como el mismo mes del año anterior. Son la vara con la que se mide todo lo demás: un modelo sofisticado que no le gana al ingenuo no está aportando nada.
El suavizado exponencial, desarrollado en los años cincuenta para pronosticar inventarios, lleva un nivel que se va actualizando con cada dato nuevo:
Desenrollando la recursión, el nivel es un promedio de todo el pasado con pesos que caen geométricamente: lo reciente pesa más, lo viejo no desaparece nunca del todo. Con solo cuenta el último dato y es el ingenuo; con pequeña, el modelo tiene memoria larga y reacciona despacio. Las versiones de Holt y de Winters le agregan una pendiente y una estación, cada una con su propio suavizado.
Los modelos autorregresivos dicen que el valor de hoy es una combinación de los anteriores más un choque nuevo. El más simple es el AR(1):
Si , la serie es estacionaria y oscila alrededor de su media ; su autocorrelación cae como , y el pronóstico vuelve hacia al mismo ritmo: . Es la misma idea de un modelo de n-gramas, que predice la palabra siguiente mirando las anteriores, pero con números en vez de palabras y una recta en vez de una tabla. Los modelos de media móvil hacen lo contrario: no recuerdan valores sino choques, , así que una sorpresa se hace sentir un período más y luego se olvida. Juntar las dos cosas da un ARMA, y aplicarlo a la serie diferenciada veces da un ARIMA(), la familia que George Box y Gwilym Jenkins convirtieron en método en su libro de 1970: identificar mirando el correlograma, estimar, revisar que el residuo ya no tenga estructura, y repetir.
Diez años de una serie mensual inventada: tendencia, un ciclo de doce meses y ruido que se acuerda del mes anterior. A la izquierda del corte, lo que el modelo puede ver; a la derecha, lo que tiene que adivinar.
Cada mes será como el mismo mes del año pasado.
Error absoluto medio en los 24 meses de prueba: 2,27. El intervalo del 95 % mide ±4,75 un mes adelante y ±6,71 a 24 meses.
Juega con el corte y con los modelos. Con el corte en el mes 96, el ingenuo estacional comete un error absoluto medio de 2,27 en los 24 meses de prueba, y el ingenuo puro, 3,43: en una serie con ciclo anual, mirar el mismo mes del año pasado vale más que mirar ayer. El AR(1) ajustado a los niveles estima , trata la tendencia y el ciclo como si fueran ruido con memoria, y termina con 5,28, el peor de los cuatro. No es culpa del AR(1): le di una serie que no es estacionaria. Por eso el método de Box y Jenkins empieza por diferenciar.
Por qué no se puede validar al azar
En aprendizaje automático se aparta una parte de los datos para medir el error con casos que el modelo no vio. Con series de tiempo esa regla se rompe de una manera sutil. Si escoges los datos de prueba al azar, cada mes escondido queda rodeado de meses de entrenamiento: el anterior, que el modelo usa con todo derecho, y a veces el siguiente, que en la vida real todavía no existiría. El modelo está “prediciendo” con información del futuro. Se llama fuga de información, y su efecto es siempre el mismo: un error de validación más bajo que el que vas a ver de verdad.
Prende “validar al azar” en la animación. Escondiendo 24 meses al azar, el ingenuo parece cometer un error de 1,76; validado en orden, con los 24 meses del final, comete 3,43, casi el doble. El AR(1) pasa de 1,78 a 5,28. El azar no solo se equivoca de número: te dice que el AR(1) es tan bueno como el ingenuo, cuando en el futuro real es mucho peor.
La forma honesta es la que el oficio llama backtesting: entrenar con todo lo anterior a una fecha, pronosticar lo que sigue, medir, correr la fecha y repetir. Cada corrida es un ensayo de lo que habría pasado si hubieras usado el modelo en ese momento. Cuando trabajé pronosticando la demanda de muchos productos a la vez con DataRobot (lo que se llama un problema multiserie: un modelo que aprende de todas las series juntas), la configuración de los backtests era lo primero que había que entender, y lo mismo pasaba con los rezagos: el valor de un mes solo puede entrar como variable si ya se conoce en el momento de pronosticar. Si quieres predecir a tres meses, no puedes alimentar al modelo con el dato de hace un mes, porque el día que lo uses ese dato todavía no existirá.
El horizonte y el intervalo que se abre
Un pronóstico sin incertidumbre es media respuesta. Lo honesto es dar un intervalo de predicción: un rango donde, si el modelo es correcto, caerá el valor con cierta probabilidad. Y ese rango se abre con el horizonte, porque los errores se acumulan. El ingenuo supone que la serie camina al azar: el valor dentro de meses es el de hoy más choques; si son independientes, sus varianzas se suman, y
Es la raíz de de la suma de variables independientes: a 24 meses el intervalo es veces más ancho que a uno. En la animación, con el ingenuo, pasa de unos ±3,5 a más de ±17. Para un AR(1) estacionario, en cambio, el intervalo se abre pero se estabiliza: su varianza es , que tiende a , la varianza de la serie misma. A largo plazo, un proceso que vuelve a su media no se puede predecir mejor que diciendo “la media, más o menos su dispersión de siempre”, y eso ya es saber algo.
La caminata aleatoria y los precios
Cuando y , el AR(1) se vuelve , la caminata aleatoria. No tiene media a la que volver, su varianza crece sin límite con el tiempo, y el mejor pronóstico posible, si los choques tienen media cero y son impredecibles, es exactamente el ingenuo: el último valor. Louis Bachelier la usó en 1900, en su tesis sobre la especulación en la bolsa de París, y en el siglo XX se volvió la idea de fondo de la hipótesis de los mercados eficientes, asociada sobre todo a Eugene Fama: si un precio pudiera predecirse con la información pública, alguien compraría o vendería hasta borrar esa ventaja, porque el precio funciona como un mensaje que ya incorpora lo que se sabe. Cuánto se cumple esa hipótesis es un debate abierto entre economistas, pero la consecuencia práctica es bastante aceptada: los cambios de precio de un activo líquido, día a día, se parecen mucho al ruido. Que una gráfica de precios “muestre una tendencia” dice poco; una caminata aleatoria pura también dibuja tendencias que no significan nada. (Nada de esto es consejo de inversión; es una advertencia sobre lo que una serie puede y no puede decir.)
No todas las series económicas son así. La inflación tiene inercia: los precios se reajustan con la inflación pasada, los contratos se indexan, y por eso el dato del mes que viene se parece al de este. Es una serie con memoria, y el banco central la pronostica con modelos que combinan esa inercia con lo que espera de la economía.
Series que sí se dejan pronosticar
La demanda de energía es el ejemplo de manual. Sube al anochecer, baja de madrugada, cambia entre semana y fines de semana, y se mueve con el calendario de festivos. Tiene varias estacionalidades a la vez (diaria, semanal, anual) y mucha historia limpia, así que los pronósticos a un día suelen ser buenos. Y tienen que serlo, porque la red eléctrica no tiene bodega: lo que se genera se consume en el mismo instante, y el operador programa las plantas con horas y días de anticipación a partir de un pronóstico de demanda. Cuando ese pronóstico falla, la retroalimentación de los reguladores tiene que corregir en segundos lo que la predicción no vio. Lo mismo vale para las mediciones que mandan cada pocos minutos los nodos de una red de sensores en una finca: temperatura, humedad, nivel de un tanque, cada una una serie con su propio ciclo diario.
El otro extremo es el tiempo atmosférico. La atmósfera es un sistema caótico: como se cuenta en libre albedrío, Edward Lorenz encontró que diferencias mínimas en el punto de partida terminan en tiempos completamente distintos. Por eso el pronóstico del tiempo se degrada en cuestión de días, y suele estimarse que su límite práctico está alrededor de dos semanas. Pero el clima sí se predice a décadas, porque es otra pregunta: no qué va a pasar el 3 de marzo, sino cómo se distribuyen los días de marzo, su promedio y su dispersión. Es la diferencia entre pronosticar una trayectoria y pronosticar una estadística. La primera se pierde con el caos; la segunda puede sobrevivir.
Y las redes neuronales
Hoy existen redes neuronales diseñadas para series de tiempo, y en problemas con miles de series relacionadas, muchas variables externas y abundantes datos pueden superar a los modelos clásicos. Pero la evidencia pide sobriedad. En la competencia M4, organizada por Spyros Makridakis con cien mil series, ninguno de los métodos puramente de aprendizaje automático le ganó a una combinación sencilla de métodos estadísticos, y los mejores resultados vinieron de combinaciones de modelos y de un híbrido de suavizado exponencial con una red. La lección no es que las redes no sirvan; es que en una serie corta y ruidosa hay poca información que extraer, y un modelo enorme se dedica a memorizar el ruido. Lo primero sigue siendo comparar contra el ingenuo, con un backtest honesto.
Todo esto descansa en una apuesta: que el proceso que generó el pasado siga generando el futuro. Una pandemia, una reforma, un competidor nuevo, y la serie cambia de régimen sin avisar. Ningún modelo resuelve eso, porque es el viejo problema de la inducción del que habla qué es saber. Lo que sí puede hacer un buen análisis de series es decir con claridad cuánto apostamos, y dejar que el intervalo de predicción se abra tanto como haga falta.