Series Temporales

Una serie temporal es una secuencia de observaciones ordenadas en el tiempo, casi siempre registradas a intervalos regulares: el precio diario de una acción, la temperatura hora a hora, la demanda eléctrica de una ciudad o la lectura periódica de un sensor. Lo que la separa de cualquier otro conjunto de datos es que el orden importa: cada valor guarda relación con los que lo preceden, y barajar las observaciones destruye esa información.

La tarea más habitual es la predicción o forecasting: anticipar valores futuros a partir de los pasados. También se emplean para detectar anomalías, vigilar un proceso o descomponer sus patrones. Cuando las observaciones se reparten además en el espacio —redes de sensores, imágenes de satélite—, el problema entra en el terreno del análisis espacio-temporal, que tiene entrada propia en este glosario.

Tendencia, estacionalidad y ruido

Una serie suele leerse como la suma de tres componentes. La tendencia es la dirección de fondo a largo plazo, como una demanda que crece año tras año. La estacionalidad son los patrones que se repiten con un periodo fijo: más consumo eléctrico en invierno, más tráfico web los lunes. Y el ruido o residuo es lo que queda cuando se retiran las dos primeras, la parte irregular que ningún modelo debería intentar memorizar. Separar estas piezas se llama descomposición. Hyndman y Athanasopoulos la presentan como una herramienta para entender la serie y, en algunos casos, mejorar el pronóstico; es útil, pero no un requisito universal previo a todo modelo.

Estacionariedad y autocorrelación

Muchos métodos clásicos parten de una serie estacionaria: sus propiedades estadísticas relevantes no cambian con el tiempo. Una tendencia suele requerir diferencias ordinarias; una estacionalidad puede exigir diferencias en el periodo estacional, y ninguna transformación garantiza por sí sola la estacionariedad. La otra idea central es la autocorrelación: la correlación de la serie con copias retardadas de sí misma. La forma de la ACF ofrece pistas: un descenso lento aparece con tendencia y picos en retardos estacionales señalan estacionalidad. Orienta el diagnóstico y la elección de modelos, pero no constituye por sí sola una prueba concluyente.

De ARIMA a los métodos neuronales

El aparato clásico nace con George Box y Gwilym Jenkins, cuyo libro de 1970 popularizó los modelos ARIMA (autorregresivo, integrado y de media móvil) y una metodología de tres pasos: identificar, estimar y diagnosticar. A su lado conviven el suavizado exponencial (Holt-Winters) y los modelos de espacio de estados. Los métodos neuronales aportan alternativas: las LSTM introdujeron memoria para dependencias largas; N-BEATS usa bloques residuales para producir pronósticos; y modelos como el Temporal Fusion Transformer combinan recurrencia y atención para varios horizontes. El artículo de Prophet, publicado en 2017, describe una herramienta automatizada para series empresariales. Ninguno de esos trabajos establece un ganador universal: sus resultados dependen de datos, horizonte y métrica. ARIMA sigue siendo una referencia que el modelo nuevo debe superar mediante validación temporal sobre la serie concreta. Documentación adicional: manual de NIST.

Cómo validar sin fuga temporal

Evaluar un modelo de series exige respetar el orden del tiempo. Una partición aleatoria puede dejar observaciones futuras en el entrenamiento y producir una estimación optimista. La validación de series temporales crea varios orígenes: en cada uno se ajusta con el pasado y se pronostica el tramo siguiente. Eso reproduce mejor el uso real, pero no garantiza el futuro. Hirano y Wright muestran que la inestabilidad estructural cambia el riesgo y hasta la ventana de entrenamiento preferible. La métrica de backtesting describe los regímenes incluidos en sus pliegues; un quiebre nuevo sigue estando fuera de la muestra observada.