RESUMEN

Este proyecto
habla sobre
cómo podemos
predecir el valor
de la acción
base a los
históricos de la
empresa así
mismo como fue
es que sacamos
los resultados.
ERICK GUERRA

apple
 1

Fundación y primeros años (1976-1980)

Apple fue fundada el 1 de abril de 1976 por Steve Jobs, Steve Wozniak, y
Ronald Wayne en el garaje de la casa de los padres de Jobs en Los Altos,
California. Wozniak desarrolló el Apple I, una computadora diseñada para ser
accesible al público general, y Jobs vio el potencial comercial de esta idea.
Wayne dejó la compañía poco después, vendiendo su participación por 800
dólares.
En 1977, Apple lanzó el Apple II, que se convirtió en uno de los primeros
grandes éxitos comerciales en la industria de las computadoras personales.
Este modelo popularizó la informática personal con su interfaz gráfica y
facilidad de uso.

Apple y la Macintosh (1980-1990)

En 1980, Apple salió a bolsa y se convirtió en una de las compañías más
exitosas del mundo. Sin embargo, a principios de los 80, la competencia con
IBM y otras compañías estaba aumentando. El lanzamiento de la Macintosh en
1984, con su innovadora interfaz gráfica de usuario y el uso de un ratón, fue un
momento crucial para la empresa. La famosa publicidad “1984” dirigida por
Ridley Scott durante el Super Bowl también ayudó a consolidar la reputación de
Apple como innovadora.
A pesar de la innovación, la Macintosh original tuvo problemas de ventas
debido a su alto precio y limitaciones tecnológicas. Las tensiones internas
llevaron a que Steve Jobs fuera forzado a dejar la compañía en 1985 tras
disputas con el entonces CEO John Sculley.

La era post-Jobs y la crisis de Apple (1990-1997)

Después de la partida de Jobs, Apple sufrió una serie de decisiones estratégicas
poco acertadas y competencia feroz por parte de Microsoft. En los 90, Apple
lanzó una serie de productos que no lograron el éxito esperado, como el
Newton, un asistente personal digital. Durante este período, Microsoft con su
sistema operativo Windows dominó el mercado.
Apple entró en una crisis financiera a mediados de los 90, y muchos analistas
predijeron que la compañía no sobreviviría. En 1997, la junta directiva decidió
traer de vuelta a Steve Jobs como asesor, tras la compra de su empresa NeXT,
y en ese mismo año Jobs fue nombrado CEO interino.

El renacimiento con Jobs (1997-2011)

Con el regreso de Jobs, Apple comenzó a experimentar un renacimiento. En
1998, lanzó la iMac, una computadora de diseño llamativo que se convirtió en
un éxito instantáneo. A partir de este momento, Jobs reformó la compañía,
centrándose en una línea de productos simplificada y altamente integrada.
 2

El iPod (2001) revolucionó la forma en que las personas consumían música, y el

lanzamiento de la iTunes Store en 2003 permitió a Apple dominar la
distribución de música digital.

En 2007, Apple presentó el iPhone, un teléfono inteligente que cambió por

completo la industria de las telecomunicaciones y los dispositivos móviles. El
iPhone no solo era un teléfono, sino también un dispositivo para acceder a
internet, enviar correos electrónicos y escuchar música. Con este producto,
Apple consolidó su posición como líder mundial en tecnología.
En 2010, Apple lanzó el iPad, que popularizó el mercado de las tabletas.

Muerte de Jobs y era de Tim Cook (2011-presente)

Steve Jobs falleció en 2011 tras una larga batalla con el cáncer, y Tim Cook
asumió el cargo de CEO. Bajo su liderazgo, Apple ha seguido creciendo y
expandiéndose, convirtiéndose en la primera empresa en alcanzar una
capitalización de mercado de 1 billón de dólares en 2018, y más tarde, en
2020, fue la primera en alcanzar los 2 billones de dólares.
Los productos como el Apple Watch, AirPods, y los continuos avances en el
iPhone y Mac han mantenido a la compañía en la cima de la innovación
tecnológica. Además, Apple ha expandido sus servicios digitales, como Apple
Music, Apple TV+, y el Apple Arcade, diversificando aún más sus fuentes de
ingresos.

Objetivo de la creación de la serie de tiempo de Apple in.

El objetivo de este análisis es predecir cómo se comportarán en el futuro las
acciones de Apple (AAPL) usando datos históricos. La idea es identificar
patrones como estacionalidad, tendencias a largo plazo y ciclos de volatilidad,
para ayudar a tomar decisiones de inversión y realizar un análisis financiero
más informado.
Para lograr esto, se pueden probar diferentes modelos de predicción, como
ARIMA, modelos de suavizamiento exponencial o regresiones que incluyan
factores externos, como indicadores macroeconómicos. Esto nos permitirá
descomponer la serie de tiempo en sus componentes clave: tendencia,
estacionalidad y ruido.

Modelos que se utilizaran y para qué sirven

1. ARIMA (Autoregressive Integrated Moving Average)
- Qué es: El modelo ARIMA es uno de los más utilizados para el análisis de
series de tiempo. Combina tres componentes: autoregresivo (AR), promedio
móvil (MA), y integrado (I), que permite modelar la relación entre los valores
pasados y presentes de la serie para predecir los futuros. El componente "I" se
 3

usa para hacer la serie estacionaria (es decir, eliminar tendencias o diferencias
de nivel en los datos).
- Para qué sirve: Es útil para predecir el comportamiento futuro de una
serie de tiempo a partir de sus valores pasados, sin incluir otras variables
externas. Es ideal cuando los datos no tienen una estructura estacional
definida o cuando la serie muestra una tendencia o patrón constante.
2. Modelos de suavizamiento exponencial
- Qué es: Estos modelos son otra técnica popular para predecir series de
tiempo, particularmente útiles cuando los datos muestran un patrón de
estacionalidad o tendencia suave. El suavizamiento exponencial da más peso a
los valores recientes de la serie, a diferencia de ARIMA, que da peso equitativo
a los datos del pasado.
- Para qué sirve: Se utilizan para realizar predicciones en series de tiempo
que tienen tendencia o estacionalidad, pero de manera menos formal que
ARIMA. El modelo más avanzado de esta técnica es el Holt-Winters, que ajusta
tanto la tendencia como la estacionalidad.

3. Modelos de regresión con variables externas (regresión

multivariante)
- Qué es: Los modelos de regresión con variables externas permiten incluir
no solo los valores pasados de la serie de tiempo, sino también otras variables
explicativas (como factores macroeconómicos, tipo de cambio, tasas de
interés, etc.). La idea es predecir el valor de la serie de tiempo en función de
otras variables que puedan influir en ella.
- Para qué sirve: Es útil cuando se cree que hay factores externos que
afectan la serie de tiempo, por ejemplo, si se quiere predecir el precio de las
acciones de Apple en función de la inflación, los ingresos trimestrales, o los
datos de consumo.

Serie de tiempo
Para poder realizar la serie de tiempo se utilizará los datos de las acciones de
Apple del año 2000 al año 2024, se utilizan las variables apertura, cierre y
variación, esto ayudara a tener una visión de como se ha comportado la acción
de Apple en los años anteriores. Y así mismo pronosticar como se comportará
en los próximos años.
Para esto utilizamos los datos que nos proporciono investing mes con mes.
# Se carga la base de datos desde el archivo CSV
 4

mis_datos <- read.csv("C:/Users/erick/Downloads/AAPL.csv")

# Checamos las primeras filas

del dataset para confirmar que
se ha cargado correctamente
head(mis_datos)

# Se convierte la columna de fecha en formato de fecha

mis_datos$Fecha <- as.Date(mis_datos$Fecha, format="%d-%m-%y")

# Se crea la serie de tiempo mensual a partir del año 2000

serie_tiempo <- ts(mis_datos$Cierre,
start = c(2000, 1), # Ajusta según el primer año y mes de tus
datos
frequency = 12) # Frecuencia mensual

# Se grafica la serie de tiempo

plot(serie_tiempo, main="Serie de Tiempo Mensual del Precio de Cierre de
Apple",
xlab="Año", ylab="Precio de Cierre")
 5

Al observar el gráfico de las acciones de Apple, se puede identificar un patrón

cíclico de alzas y retrocesos en su valor. Este comportamiento sugiere que, en
intervalos regulares, la empresa introduce nuevos productos, realiza
innovaciones significativas o implementa estrategias que incrementan la
percepción de valor entre los inversionistas y consumidores. Estos momentos
de alza suelen coincidir con eventos importantes, como lanzamientos de
productos, actualizaciones tecnológicas o informes financieros positivos, lo que
genera un incremento en la demanda de sus acciones.
Luego de estos picos, es común observar un retroceso, que puede deberse a
factores como la estabilización de la demanda o las reacciones del mercado
ante el cumplimiento de expectativas. Estos retrocesos no implican
necesariamente una pérdida de valor a largo plazo, sino que reflejan ajustes en
el mercado mientras se asimilan los cambios recientes. Este ciclo de alzas y
retrocesos en el precio de las acciones es característico de empresas
innovadoras, y en el caso de Apple, subraya su capacidad para generar
entusiasmo recurrente en el mercado y mantener una tendencia de
crecimiento sostenido a lo largo del tiempo.
# Se intala los paquetes si no los tines
if(!require(forecast)) install.packages("forecast", dependencies=TRUE)
if(!require(tseries)) install.packages("tseries", dependencies=TRUE)
library(forecast)
 6

library(tseries)
# Aplicamos la prueba de Dickey-Fuller Test
adf.test(serie_tiempo)
Augmented Dickey-Fuller Test
data: serie_tiempo
Dickey-Fuller = -6.6158, Lag order = 6, p-value = 0.01
alternative hypothesis: stationary
Dickey-Fuller = -6.6158 La prueba de Dickey-Fuller tiene un valor negativo
significativo como este sugiere que la serie es probablemente estacionaria.
Cuanto más negativo sea el valor, más fuerte es la evidencia contra la
hipótesis nula de que la serie tiene una raíz.
Lag order = 6: Este número representa el número de rezagos (lags) incluidos
en el modelo para corregir cualquier autocorrelación en la serie temporal. Este
parámetro se elige automáticamente o según la configuración del test, y ayuda
a ajustar el modelo para capturar la estructura temporal de la serie.
p-value = 0.01: Este es el valor p del test, que indica la probabilidad de obtener
un resultado al menos tan extremo como el observado, asumiendo que la
hipótesis nula es cierta (en este caso, que la serie no es estacionaria). Un p-
valor de 0.01 es bajo, lo que indica una fuerte evidencia en contra de la
hipótesis.
# Seleccionamos el mejor modelo ARIMA
modelo_arima <- auto.arima(series_diff)
# Ver resumen del modelo ajustado
summary(modelo_arima)
Series: series_diff
ARIMA(0,0,0) with zero mean

sigma^2 = 1824: log likelihood = -1536.51

AIC=3075.01 AICc=3075.03 BIC=3078.71

Training set error measures:

ME RMSE MAE MPE MAPE MASE ACF1
Training set 0.6451178 42.71213 17.21953 100 100 0.5363202 -0.06457862
 7

# Realizar predicción con el modelo ARIMA para los próximos 12 meses

prediccion <- forecast(modelo_arima, h=12)
# Gaficar la predicción
plot(prediccion, main="Predicción del Precio de Cierre de Apple" xlab="Año",
ylab="Precio Predicho")

La

gráfica muestra la proyección del precio de cierre de las acciones de Apple

desde el año 2000 hasta 2025. A continuación, detallo los aspectos clave
observados:
1. Patrón cíclico o estacionalidad: La serie de tiempo exhibe fluctuaciones
periódicas significativas, con caídas y aumentos que parecen repetirse en
intervalos regulares. Este comportamiento sugiere que el precio de cierre de
Apple podría seguir un patrón estacional o cíclico a lo largo del tiempo.
2.Tendencia de predicción: La proyección hacia 2025 muestra una línea
relativamente estable, con una banda de confianza alrededor de la predicción.
Esto implica que, según el modelo, no se esperan grandes variaciones en el
precio de cierre, sino que el precio se mantendría en un rango estrecho.
3.Intervalos de confianza: Las áreas sombreadas en gris alrededor de la
predicción representan los intervalos de confianza. Estas bandas indican la
incertidumbre del modelo en las proyecciones futuras, y su amplitud muestra
la variabilidad esperada en el precio.
4.Influencia de los datos históricos en la predicción: Las fluctuaciones extremas
observadas en ciertos períodos de la serie histórica parecen influir en la
predicción, aunque hacia el 2025 el modelo proyecta una tendencia más
 8

estable. Esto podría deberse a que el modelo suaviza las proyecciones cuando
no identifica una tendencia clara en los datos históricos.
En resumen, la gráfica sugiere que, a pesar de la volatilidad histórica del precio
de cierre de Apple, el modelo proyecta una estabilidad relativa hacia el futuro
cercano. Esto puede estar relacionado con las limitaciones del modelo al
capturar patrones complejos o con la suposición de que el comportamiento
futuro será más estable en comparación con el pasado.

Fuentes:
1. Isaacson, Walter. *Steve Jobs: La biografía.* Barcelona: Debate, 2011.
2. "Apple Inc." *Encyclopædia Britannica*. Actualizado el 2023.
3. Kahney, Leander. *The Cult of Mac*. No Starch Press, 2006.
4. Hyndman, R.J., & Athanasopoulos, G. *Forecasting: principles and practice*
(2018).
5. Hyndman, R.J., & Athanasopoulos, G. *Forecasting: principles and practice*
(2018).
6. Hyndman, R.J., & Athanasopoulos, G. *Forecasting: principles and practice*
(2018).