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, y el manual de referencia de Hyndman y Athanasopoulos, «Forecasting: Principles and Practice», la trata como paso previo a cualquier modelo serio.

Estacionariedad y autocorrelación

Muchos métodos clásicos exigen que la serie sea estacionaria: que sus propiedades estadísticas, como la media y la varianza, no cambien con el tiempo. Una serie con tendencia o con estacionalidad no lo es, pero suele estacionarizarse aplicando diferencias, esto es, restando a cada valor el anterior. La otra idea central es la autocorrelación: la correlación de la serie consigo misma desplazada unos cuantos pasos. Mide cuánta memoria arrastra el proceso y, en la práctica, la forma en que decae la función de autocorrelación (ACF) revela si la serie es estacionaria y qué modelo puede convenirle.

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. Desde la década de 2010, los métodos neuronales ganaron terreno: las redes recurrentes y las LSTM para capturar dependencias largas, y arquitecturas más recientes como N-BEATS (Oreshkin y colegas) o los Transformers adaptados a series. En paralelo, herramientas como Prophet, liberada por Facebook en 2017, acercaron el forecasting a analistas sin formación estadística profunda. Ningún método gana siempre: en horizontes cortos y series limpias, ARIMA sigue siendo difícil de batir.

Cómo validar sin fuga temporal

Evaluar un modelo de series tiene una regla que no se negocia: respetar el orden del tiempo. La validación cruzada habitual baraja los datos al azar, y en una serie eso significa entrenar con el futuro para predecir el pasado, una fuga temporal que infla las métricas y engaña. Lo correcto es la validación hacia delante (walk-forward o backtesting): entrenar solo con el pasado y probar siempre sobre el tramo siguiente, como implementa por ejemplo el TimeSeriesSplit de scikit-learn. Lo no resuelto empieza aquí: en series no estacionarias o con quiebres estructurales, ninguna validación garantiza que el rendimiento medido se mantenga, y sigue abierto el debate sobre si los grandes modelos neuronales superan de forma consistente a los clásicos.