Unilever PLC opera como una
empresa de bienes de consumo de alta rotación en Asia Pacífico, África, América
y Europa. Opera a través de cinco segmentos: Belleza y Bienestar, Cuidado
Personal, Cuidado del Hogar, Alimentos y Helados. Unilever PLC fue fundada en
1860 y tiene su sede en Londres, Reino Unido.
Los datos proporcionados
cubren los precios históricos de las acciones de Unilever (ULVR) de 2010 a
2025, lo que representa un análisis a largo plazo.
Resumamos las estadísticas
descriptivas clave del precio de las acciones de ULVR:
El precio medio es de
aproximadamente 3435,31, con una mediana de 3800 y una moda de 2064. La
diferencia entre la media, la mediana y la moda sugiere un grado de asimetría
en la distribución.
La desviación típica de
969,55 indica una dispersión significativa de los precios en torno a la media.
El rango de 3636 (de 1688 a 5324) subraya aún más la volatilidad de los precios
durante el período.
La asimetría negativa de
-0.27 indica que la cola izquierda de la distribución es ligeramente más larga
o ancha. Esto sugiere que se han observado ganancias menores con mayor
frecuencia o menos pérdidas importantes en comparación con una distribución
perfectamente simétrica.
La curtosis negativa de -1.26
o (platicúrtica) sugiere que la distribución tiene colas más claras y un pico
más plano que una distribución normal. Esto implica menos movimientos extremos
de precios (tanto positivos como negativos) de lo que cabría esperar en una
distribución normal.
Los valores de media,
mediana, moda y desviación estándar (DE) son consistentes con las estadísticas
descriptivas.
El valor "p" del
85,61% y el valor "q" del 14,39% se relacionan con la probabilidad de
que el precio esté por debajo o por encima de un umbral determinado
(posiblemente el valor "X" de 4466,00). Esto sugiere que el 85,61% de
los precios observados fueron inferiores a 4466,00 y el 14,39% superiores.
El valor 'Z' de 1,06 indica
a cuántas desviaciones estándar se encuentra el valor 'X' (4466,00) de la
media.
El análisis presenta tres
líneas de tendencia:
La regresión lineal (línea
roja), cuya ecuación y=0,7526 x+1955.7 y
coeficiente de determinación de 0.776 define una correlación de 88.10%. La
pendiente positiva de 0,7526 indica una ligera tendencia alcista en el precio
de las acciones de ULVR a largo plazo (2010-2025). La alta correlación del
88,10 % sugiere una fuerte relación positiva entre el tiempo y el precio, lo
que significa que el modelo lineal captura una parte significativa de la
fluctuación del precio. R2 de 0,776 confirma que aproximadamente el
77,6% de la variabilidad en el precio de las acciones puede explicarse por la
tendencia lineal.
La regresión polinomial
orden 6 (línea verde) con correlación de 96,38%, muestra una correlación muy alta, lo
que indica un ajuste sólido a los datos históricos. La observación clave, como
mencionó, es que el polinomio de orden 6 comienza a descender en su ciclo. Esto
sugiere que, según este modelo más complejo, el precio podría experimentar un ajuste,
una disminución o un descenso a corto plazo. Este modelo captura la naturaleza
cíclica y los puntos de inflexión con mayor eficacia que el modelo lineal.
La regresión polinomial
orden 3 (línea morada), que muestra una correlación de 92,77%, presenta una alta correlación, lo que
indica un buen ajuste. Ofrece otra perspectiva del comportamiento del mercado,
similar al polinomio de orden 6, al capturar patrones no lineales.
Los pronósticos a 90 días
que da como resultado 4981.92 y el pronóstico de 180 días de 5049.66, con un
nivel de confianza: 95%, se
basan en la ecuación de regresión lineal (línea roja) y el comportamiento
histórico. La tendencia al alza en los pronósticos para 90 y 180 días coincide
con la ligera tendencia alcista general que indica el modelo lineal. El nivel
de confianza del 95 % implica que podemos tener una confianza del 95 % en que
el precio real se mantendrá dentro de un rango determinado en torno a estos
valores pronosticados.
El histograma representa
visualmente la distribución de frecuencia de los precios de ULVR en diferentes
intervalos. La frecuencia más alta de precios parece estar en el intervalo
3688-4188, seguido por 3188-3688 y 2688-3188. Esta distribución visual confirma
las estadísticas descriptivas, mostrando una concentración de precios alrededor
del extremo superior de la distribución, con menos ocurrencias en los extremos
inferior y superior.
La regresión lineal
(correlación del 88,10 %) sugiere una tendencia alcista consistente, aunque
gradual, a largo plazo en el precio de ULVR. Esto indica que, en promedio, la
acción se ha revalorizado durante el período de 15 años. Desde una perspectiva
econométrica, esto podría implicar que los factores fundamentales que sustentan
el valor de la compañía han evolucionado positivamente.
Las regresiones polinómicas
(especialmente las de orden 6) , con sus correlaciones más altas (96,38 % y
92,77 %), revelan la dinámica cíclica y no lineal de corto a mediano plazo que
se superpone a la tendencia a largo plazo. La observación de que el polinomio
de orden 6 comienza a descender es crucial. Esto significa que, si bien la
tendencia fundamental subyacente podría ser positiva, el mercado se encuentra
actualmente en una fase de corrección o consolidación. Este descenso en el
ciclo sugiere que el precio probablemente se ha movido por encima de su valor
fundamental o que existen presiones de mercado a corto plazo que provocan un
retroceso.
Cuanto más alto R2, la correlación de los
modelos polinómicos indica que capturan mayor varianza en el precio de las
acciones que el modelo lineal simple. Esto representa una compensación
econométrica: los modelos más complejos (como los polinomios de orden superior)
pueden ajustarse mejor a los datos históricos al captar matices, pero podrían
ser menos robustos para la predicción fuera de la muestra, especialmente si
sobreajustan el ruido en lugar de los verdaderos patrones subyacentes.
El hecho de que el modelo
lineal mantenga una fuerte correlación (88,10%) es importante. Esto sugiere que
una parte significativa del movimiento de precios es genuinamente lineal, lo
que representa una trayectoria de crecimiento fundamental. Los polinomios
modelan las desviaciones en torno a esta trayectoria fundamental.
La naturaleza cíclica que
representan las tendencias polinómicas, especialmente el descenso observado,
podría interpretarse desde la perspectiva de la eficiencia del mercado. Si el
mercado fuera perfectamente eficiente y siguiera un patrón aleatorio, estos
patrones cíclicos claros serían menos predecibles. La presencia de estos ciclos
sugiere períodos de sobrepasar y subpasar el valor intrínseco, lo que implica
cierto grado de reversión a la media a corto y mediano plazo. Tras un período
de movimiento alcista (como se observa en las primeras partes de las curvas
polinómicas), un ajuste a la baja (el descenso actual) acerca el precio a su
promedio o tendencia a largo plazo.
Los pronósticos del modelo
lineal para 90 y 180 días (4981,92 y 5049,66) reflejan la continua trayectoria
ascendente a largo plazo. Sin embargo, el contraste econométrico pone de
manifiesto un posible conflicto: si el polinomio de orden 6 indica efectivamente
un descenso a corto plazo, basarse únicamente en el pronóstico lineal podría
llevar a una sobreestimación de los rendimientos a corto plazo.
Un enfoque de pronóstico
econométrico más sólido implicaría combinar estos conocimientos: reconocer el
sesgo alcista a largo plazo, pero también incorporar la fase cíclica actual.
Esto suele llevar al uso de modelos que pueden capturar tanto los componentes
tendenciales como los cíclicos/estacionales.
Dadas las observaciones, un
modelo ARIMA (promedio móvil integrado autorregresivo) o un análisis de series
temporales más amplio sería muy apropiado y proporcionaría conocimientos más
profundos para ULVR:
El primer paso para aplicar
un modelo ARIMA es verificar la estacionariedad. La presencia de una clara
tendencia ascendente (aunque leve, como indica el modelo lineal) sugiere que la
serie temporal no es estacionaria en media.
Probablemente
necesitaríamos diferenciar la serie (p. ej., primera diferenciación) para que
sea estacionaria. Esto implica transformar los datos en una serie de cambios de
precios, en lugar de precios absolutos. El componente "Integrado" (I)
de ARIMA aborda específicamente esta no estacionariedad mediante la
diferenciación.
El ACF probablemente
mostraría un decaimiento lento en la serie original, lo que confirma la no
estacionariedad. Tras la diferenciación, el ACF revelaría los componentes de la
media móvil (MA) (q).
El PACF ayudaría a
identificar los componentes autorregresivos (AR) (p) del modelo. La presencia
de ciclos en los ajustes polinómicos sugiere la posible presencia de
propiedades autorregresivas significativas (es decir, los precios actuales
dependen en gran medida de los precios pasados) y, potencialmente, componentes
de media móvil (es decir, los errores actuales están relacionados con los
errores pasados).
En función de la
diferenciación requerida (d), y los patrones en los gráficos ACF y PACF, es
posible identificar el modelo ARIMA(p,d,q) óptimo.
El comportamiento cíclico
observado en los ajustes polinomiales podría sugerir la necesidad de un valor
«p» o «q» de mayor orden para capturar estas oscilaciones. Por ejemplo, si los
precios tienden a revertirse después de ciertos picos, esto sugiere un proceso
autorregresivo.
Si bien el análisis actual
no menciona explícitamente los patrones estacionales, un conjunto de datos de
15 años podría presentar estacionalidad (por ejemplo, patrones trimestrales o
anuales relacionados con informes de ganancias, pagos de dividendos o ciclos de
mercado más amplios). De ser así, un modelo ARIMA Estacional (SARIMA) sería aún
más eficaz, ya que añade componentes estacionales (P, D, Q, S) al modelo ARIMA
estándar.
Los modelos ARIMA están
diseñados específicamente para pronosticar datos de series temporales. Una vez
identificado y validado un modelo adecuado, este puede generar pronósticos
precisos que consideran tanto la tendencia subyacente como los patrones cíclicos/autocorrelacionados
identificados. Los pronósticos ARIMA probablemente brindarían una imagen más
matizada que los pronósticos del modelo lineal, mostrando potencialmente la
caída esperada a corto plazo sugerida por el polinomio de orden 6, antes de
reanudar una tendencia ascendente.
Los modelos ARIMA manejan
implícitamente la naturaleza secuencial de los datos de series de tiempo, a
diferencia de los modelos de regresión estándar que suponen observaciones
independientes (aunque existen modelos de regresión de series de tiempo).
Las regresiones polinómicas
ofrecen un buen ajuste descriptivo, pero podrían no ser óptimas para la
predicción de series temporales reales, ya que no consideran explícitamente los
términos de error autocorrelacionados que suelen estar presentes en los datos
financieros. ARIMA, al modelar los errores, puede proporcionar pronósticos
estadísticamente más sólidos.
Si bien el análisis
proporcionado proporciona una base sólida, especialmente con la visualización
clara de tendencias y ciclos, un enfoque econométrico que utilice ARIMA o
modelos de series temporales similares mejoraría la comprensión de la dinámica
de precios de ULVR y la precisión de los pronósticos, en particular para las
fluctuaciones de precios a corto y mediano plazo, al considerar formalmente la
estacionariedad, la autocorrelación y la posible estacionalidad. El contraste
entre la tendencia lineal simple y las complejas curvas polinómicas resalta la
necesidad de modelos que puedan capturar tanto la dirección a largo plazo como
las fluctuaciones inmediatas del mercado.
