Econometría de series de tiempo: algunos

conceptos básicos
1 Procesos estocástic Un proceso estocástico o aleatorio es una colección de variables aleatorias ordenadas en el tiempo
Si Y denota una variable aleatoria y es continua, se denota como Y(t), pero si es discreta se expre
Tenga en cuenta que cada una de estas Y es una variable aleatoria.

Procesos estocásticos estacionarios - Se dice que un proceso estocaá stico es estacionario si su media, su varian
una serie de tiempo es estacionaria, su media, su varianza y su autocovar
- En otras palabras, una serie de tiempo no estacionaria tendrá una media q

¿Por qué las series de tiempo estacionarias son tan impo Porque si una serie de tiempo es no estaci
Por tanto, cada conjunto de datos perten
En consecuencia, no es posible generaliz

proceso puramente aleatorio o de ruido blanco Se dice que un proceso es puramente alea
(es una señal de que no estan correlacionadas las variableut ∼ IIDN(0, σ2)… =

El ruido blanco o sonido blanco es
Su esperanza es constante,µ, e
cov (at , at+k)= 0 para todo k≠
es un test para ver si la variable no tiene a

Procesos estocásticos no estacionarios Modelo de caminata aleatoria: Modelos no estacio

1 Caminata aleatoria sin deriva El valor de Y en el tiempo t es igual a su v

es una regresión de Y en el tiempo t sobre
ECUACIONES EN DIFERENCIAS

2 Caminata aleatoria con deriva δ = parámetro de deriva

2 Proceso estocástico de raíz unitaria los términos no estacionariedad, caminata aleatoria, raíz unitaria y tendenci
para detectar estacionalidad (m.formasi |ρ| = 1, tenemos lo que se conoce como probelma de raiz unitaria
si |ρ| < 1, podemos demostrar que la serie de tiempo Yt es estacionaria es
sirve para determinar si la variable es o no es estacionaria

3 Procesos estocásticos estacionarios en tendencia (ET) y estacionarios en diferencias (ED)

Si la tendencia de una serie de tiempo es:

Predecible y no variable … se le llama tendencia determinista;
No es predecible y si es variable … se le llama tendencia estocástica
 Por tanto, un MCA sin deriva es un proceso estacionario en diferencias (PED).
Por tanto, un MCA con deriva y en consecuencia es no estacionaria ... mostrará una tendencia + o -

4 Procesos estocásticos integrados para convertir una serie de tiempo no estacionaria a estacionaria

- Si una serie de tiempo (no estacionaria) debe diferenciarse d veces para hacerla estacionaria, d
- Si una serie de tiempo es estacionaria desde el principio (es decir, si no requiere ninguna difer
La mayoría de las series de tiempo económicas son I(1); es decir, por lo general se convierten en esta

5 El fenómeno de regresión espues una regresion sin sentido en series de tiempo no estacionarios para
el modelo parece bueno pero no tiene sentido
se puede dar en series de tiempo no estacionarias
la regresion de series de tiempo no estacionarias puede generar una regresion espurea
LAS VARIABLES Y y X pueden ser no estacionarias pero sus primeras diferencias si pueden

REGLA: Si r^2 > d (durbin w)la regresión estimada es espuria

6 Pruebas de estacionariedad

1. Análisis gráfi co no estacionaria tw tsline TC

m.informal

m. formal
2. Función de autocorrelación (FAC) y correlograma (correlograma muestral)
ademas de perron
si es mayor al 5% es estacionario las probs

las autocorrelaciones en distintos rezagos se ubican alrededor del cero.

Ésta es una imagen de un correlograma de una serie de tiempo estacionaria

Elección de la longitud del rezago ¿Cuántos rezagos seran necesarios se hace caso
 sera en funcion del: criterio de informacioá n Akaike o de Schwarz
comando varsoc

7 Transformación de las series de tiempo no estacionariPara evitar el problema de la regresión espuria que pudiese surgir
sobre una o más series de tiempo no estacionarias tenemos que t

El método de transformación depende de que las series de tiemp

procesos estacionarios en diferencias (PED) o proces

a) Procesos estacionarios en diferencias Si una serie de tiempo tiene una raíz unitaria, las primeras diferen
En consecuencia, la solución aquí es tomar las primeras diferencia

b) Procesos estacionarios en tendencia la manera más sencilla de convertir en estacionaria una serie de ti
Yt = β1 + β2t + ut

- Debe señalarse que si una serie de tiempo es PED pero se trata como si fuera PET, esto se conoce como hipodifer
- Por otra parte, si una serie de tiempo es PET pero se le trata como PED, se conoce como hiperdiferenciación.
Las consecuencias de estos errores de especificación pueden ser graves, según la manera en que se manejen las pr

8 Cointegración: regresión de una serie de tiempo con raíz unitaria sobre otra serie de tiempo con raíz unitaria

la variable Y es una serie de tiempo con raiz unitaria (osea es no estacionaria) y la variable X es igual…

las variables tienen relacion en el largo plazo

y si no tiene solo es en corte plazo
 barsop cunatos lac

torias ordenadas en el tiempo

(t), pero si es discreta se expresa como Yt. VAR = vectores autoregresivos
VAR permite colocar mas variables de autoregresivos mide causalidad (Yt-1+Yt-2…+.Ct-1+Ct-2….) infl

acionario si su media, su varianza y su covarianza son constantes en el tiempo (no varian en el tiempo)
edia, su varianza y su autocovarianza (en los diferentes rezagos) permanecen iguales sin importar el momento en el cual se midan; es decir
stacionaria tendrá una media que varía con el tiempo o una varianza que cambia con el tiempo, o ambas.

una serie de tiempo es no estacionaria, sólo podemos estudiar su comportamiento durante el periodo en consideración.
cada conjunto de datos perteneciente a la serie de tiempo corresponderaá a un episodio particular.
uencia, no es posible generalizar para otros periodos. Asíá, para propósitos de pronóstico, tales series de tiempo (no estacionarias) tiene

e un proceso es puramente aleatorio si tiene una media igual a cero, una varianza constante σ2 y no está serialmente correlacionado
ut está independiente e idénticamente distribuido como una distribución normal con media cero y varianza constante

blanco o sonido blanco es una señal aleatoria (proceso estocástico) que se caracteriza por el hecho de que sus va
Su esperanza es constante,µ, e igual a cero
cov (at , at+k)= 0 para todo k≠ 0
para ver si la variable no tiene autocorrelacion wntestq tenemos que buscar ruido blanco es homescedastico y no tiene autocrrelacion

aleatoria: Modelos no estacionarios

Y en el tiempo t es igual a su valor en el tiempo (t − 1) más un choque aleatorio

resión de Y en el tiempo t sobre su valor rezagado un perio es un modelo AR(1),
ES EN DIFERENCIAS

metro de deriva

eatoria, raíz unitaria y tendencia estocástica se consideran sinónimos.

robelma de raiz unitaria
de tiempo Yt es estacionaria es la que se busca TEST DE DICKEY FULLER Y TEST DE PHILLIPS PERRON
dfuller TCD1
pperron TCD1

tendencia determinista;
tendencia estocástica
 no estacionario
.. mostrará una tendencia + o - … se llama tendencia estocástica. proceso estacionario en tendencia (PET).

naria a estacionaria

eces para hacerla estacionaria, decimos que la serie es integrada de orden d.

cir, si no requiere ninguna diferenciación), decimos que es integrada de orden cero
lo general se convierten en estacionarias sólo después de tomar sus primeras diferencias

de tiempo no estacionarios para dar solucion se convierte en diferencias para que sea estacionarios

generar una regresion espurea

s primeras diferencias si pueden ser estacionarias

se puede volver estacionario con variacion porcentual o diferencias

estacionaria

tambien se pueden utilizar los siguientes test: es la regla para ambos test: CONVIENE Q EL
 TEST DE DICKEY FULLER dfuller TCD1 si |ρ| = 1, tenemos lo que se conoce como
Phillips–Perron test pperron TCD1 si |ρ| < 1, podemos demostrar que la serie

El coefi ciente de autocorrelación comienza en un nivel muy alto y disminuye de modo muy lento hacia cero, confo
es un correlograma habitual de una serie de tiempo no estacionaria.
 n Akaike o de Schwarz

esión espuria que pudiese surgir al hacer la regresión de una serie de tiempo no estacionaria
no estacionarias tenemos que transformar las series de tiempo no estacionarias en estacionarias.

ende de que las series de tiempo sean:

os en diferencias (PED) o procesos estacionarios con tendencia (PET).

aíz unitaria, las primeras diferencias de tales series son estacionarias

es tomar las primeras diferencias de las series de tiempo

tir en estacionaria una serie de tiempo es hacer la regresión de ella sobre el tiempo y los residuos de tal regresión serán estacionarios.

esto se conoce como hipodiferenciación.

como hiperdiferenciación.
manera en que se manejen las propiedades de correlación de los términos de error resultantes

mpo con raíz unitaria

cionaria) y la variable X es igual… pero ambas en una regresión pueden no generar una regresión espurea.. Osea se cointegran.
dad (Yt-1+Yt-2…+.Ct-1+Ct-2….) influencias de sus efectos. Efecto bilateral en cantidad porcentuales

mento en el cual se midan; es decir, son invariantes respecto del tiempo.

consideración.

de tiempo (no estacionarias) tienen poco valor práctico.

serialmente correlacionado
cero y varianza constante

 por el hecho de que sus valores de señal en dos tiempos diferentes no guardan correlación estadística.

edastico y no tiene autocrrelacion

para ambos test: CONVIENE Q EL P-VALUE SEA MENOR AL 0.05
tenemos lo que se conoce como probelma de raiz unitaria
podemos demostrar que la serie de tiempo Yt es estacionaria

modo muy lento hacia cero, conforme se prolonga el rezago.

egresión serán estacionarios.

a.. Osea se cointegran.

n estadística.
 CASO: 01 CLASE CREAR UN MODELO DE SERIES DE TIEMPO PARA EL TIPO DE CAMBIO

1 COMANDOS PARA GENERAR EL TIEMPO EN SEMANAS

gen Tiempo =_n+2443

format Tiempo %tw
tsset Tiempo, weekly

2 PRUEBA DE ESTACIONALIDAD

comando tsline tc con tendencia

Método gráfico
 presenta tendencia, por lo que no existe estacionalidad

FUNCION DE AUTOCORRELOGRAMA

comando ac tc no es estacionaria

No son estacionarias, porque tiene una tendencia a la baja.

3 Transformación de las series de tiempo no estacionarias

Procesos estacionarios en diferencias

gen tcd1=D.tc tc es el nombre de la variable "tipo de cambio", por nemotecnia se deno

El comando gen genera la nueva variable llamada "tcd1" ; D.tc genera l
 DETECTAR SI ES ESTACIONARIA.

METODO GRAFICO
comando ac tcd1

Ahora si se observa un comportamiento uniforme, podríamos decir ento

, que la variable es estacionaria

4 RAIZ UNITARIA TEST

PRUEBA DE DICKEY FULLER (DF) comando

 si |p| =1, tenemos lo que se conoce como problema de raíz unitaria
si |p|<1, podemos demostrar que la serie de tiempo Yt es estacionaria

Elección de la longitud del rezago

comando varsoc tcd1

5 AHORA GENERAMOS SUS SEGUNDAS DIFERENCIAS Y TERCERAS DIFERENCIAS

COMANDO:
gen tcd2=D2.tc
gen tcd2=D3.tc

Y EL LOGARITMO DE LA VARIABLE (EN CASO SEA NECESARIO)

AHORA ETIQUETAMOS LAS VARIABLES:

label var tcd1 "1ra dif Tipo de cambio"

label var tcd2 "2da dif Tipo de cambio"
label var tcd3 "3ra dif Tipo de cambio"

6 AHORA GENERAMOS SUS REZAGOS

gen tcl1=L.tc
 gen tcl2=L2.tc
gen tcl3=L3.tc

AHORA ETIQUETAMOS LOS REZAGOS

label var tcl1 "1er Rezago TIPO DE CAMBIO"

label var tcl2 "2da Rezago TIPO DE CAMBIO"
label var tcl3 "3ra Rezago TIPO DE CAMBIO"

7 LUEGO: GENERAR OPERACIONES O INDICADORES

comando
tw (tsline tc, lcolor(red)) (tsline tcl1, lcolor(blue)) (tsline tcl2, lcolor(green
Rtc =(TC-TCL1)/TCL1

Se observa que los rezagos (1 y 2) de la variable tipo de camb

8 PROYECCION DE LA VARIABLE TCElección de la longitud del rezago

CRITERIOS DE ELECCION DE REZAGOS comando varsoc tcd1

 Según varsoc y el criterio de información Hanan Queen
se debe trabajar la variable con 1 resago
Según SBIC se debe trabajar sin resago

9 MODELOS ARIMA El modelo general ARIMA (p,d,q) denominado proceso autoregresivo integrado de medias movil
DEBEMOS CREAR DIFERENTES MODELOS ARIMA PARA LUEGO SELECCIONAR EL MEJOR
DEBEMOS SELECCIONAR EL MEJOR MODELO ARIMA SEGÚN LOS CRITERIOS ()

Las líneas de comandos se presentan desde la celda "O234" --------------------------------------------------------------

 Se observa que los resagos tienen casi el mismo comportamiento que la variable original, lo cual
significa que los resagos sí explicarían a la variable
Se escoge (aic menor) en este caso arima 2 (-2488 ) o arima7 (-2488 ), para descartar se escoge al que teng

10 VALIDADCIÓN DEL MODELO

arima tc, arima(1,1,1)

 INTERPRETACION
se escoje el modelo de menor porcentaje

11 FUNCIÓN DE REGRESIÓN
TCT^= 0.00042 - 0.73 TC(T-1) + 0.808

12 Prueba de Normalidad

crear sus residuos:

predict resid,r
gen resid2=(resid^2)

histogram resid, frequency normal

TEST

TEST DE JARQUE Y BERA (JB)

jb resid ch2 < 0.05 NORMALIDAD

NO SE RECHAZA LA HIPOTESIS NULA

13 TEST DE RUIDO BLANCO Prueba de ruido blanco del error. Se utiliza para identificar estacionarieda

corrgram resid
 si presenta ruido blanco, es un proceso estacionario

14 PRUEBA FINAL DEL MODELO

ssc install armaroots

armaroots
 REGLA
SI LAS RAICES ESTAN DENTRO DEL CIRCULO UNITARIO = RUIDO BLANCO

EL MODELO DE SERIES DE TIE

SIGNIFICATIVO P

15 PRONOSTICOS

arima TC, arima (1,0,1)

tsappend, add(60) // (para agregar 60 datos a la variable)

range s 1 571 571

predict multi, y dynamic(yw(2016,52))
predict fTCLnD1 , y dynamic(yw(2016,52)) APARECERAN LAS PREDICCIONES

PRONOSTICO REAL
2016 44 NOVIEMBRE 4TA SEMANA 3.40726 3.41600
2016 53 DIC 4TA SEMA 3.39922 3.39800
A EL TIPO DE CAMBIO

con tendencia comando tsline tcd1 estacionalidad

xiste estacionalidad graficamente se muestra estacionalidad

MA comando pac tc AR

una tendencia a la baja. Se observa un punto muy alejado.

de cambio", por nemotecnia se denomina "tc".

iable llamada "tcd1" ; D.tc genera la primera diferencia
 comando pac tcd1

ento uniforme, podríamos decir entonces

dfuller tcd1 PRUEBA DE PHILLIPS PERRON (PP) comando

ema de raíz unitaria si |p| =1, tenemos lo que se conoce como problema de raíz unitaria
mpo Yt es estacionaria si |p|<1, podemos demostrar que la serie de tiempo Yt es estacionaria

Según varsoc y el criterio de información Hanan Queen

se debe trabajar la variable con 1 resago
Según SB se debe trabajar sin resago
lcolor(blue)) (tsline tcl2, lcolor(green)) (tsline tcl3, lcolor(black)), ytitle (TIPO DE CAMBIO) title("MODELOS Y PRONOSTICOS ARIMA: Rezagos

os (1 y 2) de la variable tipo de cambio presentan comportamiento similar a la variable tipo de cambio, lo cual implica que los rezagos del ti
 * Expresiones similares

arima TC, arima(2,1,3)

regresivo integrado de medias moviles de orden p,d,q arima TCD1, arima(2,0,3)
GO SELECCIONAR EL MEJOR
N LOS CRITERIOS () MODELOS ARIMA

------------------------------------------------------------------------------------------------arima tc, arima(1,1,0)

estimates store arima1
arima tc, arima(1,1,1)
estimates store arima2
arima tc, arima(1,1,2)
estimates store arima3
arima tc, arima(1,1,3)
estimates store arima4
arima tc, arima(2,1,0)
estimates store arima5
arima tc, arima(2,1,1)
estimates store arima6
arima tc, arima(2,1,2)
estimates store arima7
arima tc, arima(2,1,3)
estimates store arima8
arima tc, arima(3,1,0)
estimates store arima9
arima tc, arima(3,1,1)
estimates store arima10
arima tc, arima(3,1,2)
estimates store arima11
arima tc, ar(2) ma(2)
 estimates store arima12
estimates table arima1 arima2 arima3 arima4 arima5 arima6 arim

a variable original, lo cual

para descartar se escoge al que tenga menor bic (arima 2)

 e(T-1) + eT * El eT es similar al u de la regresión lineal.

PRUEBA DE NORMALIDAD, DE FORMA GRAFICA

histogram resid, frequency normal kdensity resid, normal

Histograma: leptocúrtica ,
sin embargo se aproxima a una distribución normal.

se bsuca la mesocurtica
utiliza para identificar estacionariedad del error.

pac resid
EL MODELO DE SERIES DE TIEMPO DEL TIPO DE CAMBIO ES OPTIMO Y
SIGNIFICATIVO PARA REALIZAR PRONOSTICOS
estacionalidad
pperron tcd1
oblema de raíz unitaria
tiempo Yt es estacionaria
 PRONOSTICOS ARIMA: Rezagos Finitos")

ual implica que los rezagos del tipo de cambio podrían explicar a la variable tipo de cambio.
ma3 arima4 arima5 arima6 arima7 arima8 arima9 arima10 arima11 arima12 , stat (N R2 aic bic) b(%7.3g)p(%4.3f)
 qnorm resid

WHITE NOISE Q TEST TEST DE DURBIN WATSON

wntestq resid dwstat

( P > chi2 ) > 0.05 RUIDO BLANCO INDEFINIDO como se aprocima a 2 no tienen autocorrelacion
( P > chi2 ) TIENDE A 0.05 APLICAR OTRO TEST el modelo es bueno
( P > chi2 ) < 0.05 SI HAY MUCHA DIFERENCIA… NO HAY RUIDO BLANCO

no hay ruido blanco, por lo tanto tienen autocorrelacion

GRAFICA DE RUIDO BLANCO

tw ( txline resid, yline(-0.05) yline(0.05))

no tienen autocorrelacion
 week TC week
1/7/2007 3.1905
1/14/2007 3.188
1/21/2007 3.1975
1/28/2007 3.1955
2/4/2007 3.1919
2/11/2007 3.1865
2/18/2007 3.1865
2/25/2007 3.188
3/4/2007 3.1865
3/11/2007 3.187
3/18/2007 3.1835
3/25/2007 3.1825
4/1/2007 3.1806
4/8/2007 3.1805
4/15/2007 3.1785
4/22/2007 3.171
4/29/2007 3.1645
5/6/2007 3.1705
5/13/2007 3.1625
5/20/2007 3.171
5/27/2007 3.1715
6/3/2007 3.1725
6/10/2007 3.168
6/17/2007 3.1695
6/24/2007 3.166
7/1/2007 3.164
7/8/2007 3.1595
7/15/2007 3.1575
7/22/2007 3.164
7/29/2007 3.1575
8/5/2007 3.1495
8/12/2007 3.156
8/19/2007 3.1635
8/26/2007 3.16
9/2/2007 3.162
9/9/2007 3.14
9/16/2007 3.1135
9/23/2007 3.0845
9/30/2007 3.02
10/7/2007 3.0165
### 3.0215
 ### 3.0155
### 2.9976
11/4/2007 2.9946
### 2.9965
### 3.0095
### 2.9966
12/2/2007 2.9815
12/9/2007 2.9745
### 2.9795
### 2.995
### 2.9665
1/6/2008 2.9225
1/13/2008 2.9475
1/20/2008 2.9385
1/27/2008 2.931
2/3/2008 2.9115
2/10/2008 2.9055
2/17/2008 2.8995
2/24/2008 2.8895
3/2/2008 2.8415
3/9/2008 2.8086
3/16/2008 2.7926
3/23/2008 2.7455
3/30/2008 2.7015
4/6/2008 2.7335
4/13/2008 2.7325
4/20/2008 2.8145
4/27/2008 2.7865
5/4/2008 2.7565
5/11/2008 2.7675
5/18/2008 2.8426
5/25/2008 2.8465
6/1/2008 2.809
6/8/2008 2.8835
6/15/2008 2.9176
6/22/2008 2.9655
6/29/2008 2.89
7/6/2008 2.8236
7/13/2008 2.8465
7/20/2008 2.8155
7/27/2008 2.8175
8/3/2008 2.858
8/10/2008 2.9365
8/17/2008 2.917
8/24/2008 2.9515
8/31/2008 2.9715
9/7/2008 2.9747
9/14/2008 2.9535
9/21/2008 2.9625
9/28/2008 3.0093
10/5/2008 3.084
### 3.057
### 3.1075
### 3.111
11/2/2008 3.105
11/9/2008 3.096
### 3.1015
### 3.091
### 3.1205
12/7/2008 3.111
### 3.1065
### 3.147
### 3.119
1/4/2009 3.1345
1/11/2009 3.1495
1/18/2009 3.1625
1/25/2009 3.199
2/1/2009 3.2385
2/8/2009 3.2385
2/15/2009 3.25
2/22/2009 3.2505
3/1/2009 3.226
3/8/2009 3.174
3/15/2009 3.1285
3/22/2009 3.134
3/29/2009 3.1102
4/5/2009 3.118
4/12/2009 3.0755
4/19/2009 3.042
4/26/2009 3.051
5/3/2009 2.9512
5/10/2009 3.0231
5/17/2009 3.0011
5/24/2009 2.984
5/31/2009 2.9675
6/7/2009 2.971
6/14/2009 2.9915
6/21/2009 3.007
6/28/2009 3.016
7/5/2009 3.0253
7/12/2009 3.014
7/19/2009 2.993
7/26/2009 2.986
8/2/2009 2.933
8/9/2009 2.946
8/16/2009 2.9605
8/23/2009 2.936
8/30/2009 2.9325
9/6/2009 2.921
9/13/2009 2.893
9/20/2009 2.882
9/27/2009 2.878
10/4/2009 2.8604
### 2.859
### 2.8705
### 2.909
11/1/2009 2.899
11/8/2009 2.874
### 2.8815
### 2.8865
### 2.869
12/6/2009 2.877
### 2.8815
### 2.8821
### 2.889
1/3/2010 2.849
1/10/2010 2.8545
1/17/2010 2.8525
1/24/2010 2.8605
1/31/2010 2.868
2/7/2010 2.8545
2/14/2010 2.8515
2/21/2010 2.848
2/28/2010 2.84
3/7/2010 2.8385
3/14/2010 2.8369
3/21/2010 2.8403
3/28/2010 2.842
4/4/2010 2.8365
4/11/2010 2.836
4/18/2010 2.8425
4/25/2010 2.8465
5/2/2010 2.8535
5/9/2010 2.8395
5/16/2010 2.8445
5/23/2010 2.8455
5/30/2010 2.85
6/6/2010 2.848
6/13/2010 2.8285
6/20/2010 2.8368
6/27/2010 2.8245
7/4/2010 2.8237
7/11/2010 2.8245
7/18/2010 2.8235
7/25/2010 2.8205
8/1/2010 2.8015
8/8/2010 2.8045
8/15/2010 2.8
8/22/2010 2.7965
8/29/2010 2.793
9/5/2010 2.7905
9/12/2010 2.7925
9/19/2010 2.7875
9/26/2010 2.7895
10/3/2010 2.7887
### 2.7935
### 2.7935
### 2.7985
### 2.7925
11/7/2010 2.8025
### 2.8055
### 2.8165
### 2.821
12/5/2010 2.827
### 2.8135
### 2.7995
### 2.8062
1/2/2011 2.805
1/9/2011 2.788
1/16/2011 2.7715
1/23/2011 2.7735
1/30/2011 2.7685
 2/6/2011 2.7665
2/13/2011 2.7675
2/20/2011 2.777
2/27/2011 2.7705
3/6/2011 2.7685
3/13/2011 2.7685
3/20/2011 2.7885
3/27/2011 2.805
4/3/2011 2.798
4/10/2011 2.8205
4/17/2011 2.8207
4/24/2011 2.8265
5/1/2011 2.801
5/8/2011 2.754
5/15/2011 2.7575
5/22/2011 2.7555
5/29/2011 2.7585
6/5/2011 2.7615
6/12/2011 2.7605
6/19/2011 2.7595
6/26/2011 2.75
7/3/2011 2.7435
7/10/2011 2.74
7/17/2011 2.7365
7/24/2011 2.7382
7/31/2011 2.7406
8/7/2011 2.7415
8/14/2011 2.7335
8/21/2011 2.7305
8/28/2011 2.729
9/4/2011 2.7275
9/11/2011 2.734
9/18/2011 2.7705
9/25/2011 2.7735
10/2/2011 2.7435
10/9/2011 2.7205
### 2.7215
### 2.7075
### 2.7055
11/6/2011 2.703
### 2.7
### 2.7185
### 2.698
12/4/2011 2.696
### 2.6965
### 2.6945
### 2.6965
1/1/2012 2.6925
1/8/2012 2.694
1/15/2012 2.692
1/22/2012 2.69
1/29/2012 2.689
2/5/2012 2.682
2/12/2012 2.6805
2/19/2012 2.678
2/26/2012 2.675
3/4/2012 2.6695
3/11/2012 2.6705
3/18/2012 2.67
3/25/2012 2.6667
4/1/2012 2.6677
4/8/2012 2.6595
4/15/2012 2.651
4/22/2012 2.6385
4/29/2012 2.6415
5/6/2012 2.656
5/13/2012 2.6675
5/20/2012 2.6965
5/27/2012 2.7075
6/3/2012 2.6805
6/10/2012 2.658
6/17/2012 2.6515
6/24/2012 2.6655
7/1/2012 2.6485
7/8/2012 2.625
7/15/2012 2.6355
7/22/2012 2.6265
7/29/2012 2.6265
8/5/2012 2.6195
8/12/2012 2.6125
8/19/2012 2.6155
8/26/2012 2.6115
9/2/2012 2.6117
9/9/2012 2.5995
9/16/2012 2.6025
9/23/2012 2.5975
9/30/2012 2.5967
10/7/2012 2.5865
### 2.5835
### 2.5995
### 2.597
11/4/2012 2.6125
### 2.606
### 2.5875
### 2.579
12/2/2012 2.5755
12/9/2012 2.5635
### 2.5647
### 2.5525
### 2.55
1/6/2013 2.5455
1/13/2013 2.5522
1/20/2013 2.56
1/27/2013 2.5775
2/3/2013 2.5783
2/10/2013 2.567
2/17/2013 2.592
2/24/2013 2.5975
3/3/2013 2.6033
3/10/2013 2.593
3/17/2013 2.593
3/24/2013 2.59
3/31/2013 2.586
4/7/2013 2.5875
4/14/2013 2.593
4/21/2013 2.6365
4/28/2013 2.626
5/5/2013 2.602
5/12/2013 2.644
5/19/2013 2.679
5/26/2013 2.7435
6/2/2013 2.736
6/9/2013 2.733
6/16/2013 2.781
6/23/2013 2.782
6/30/2013 2.7905
7/7/2013 2.7767
7/14/2013 2.774
7/21/2013 2.7853
7/28/2013 2.7925
8/4/2013 2.79
8/11/2013 2.7975
8/18/2013 2.813
8/25/2013 2.809
9/1/2013 2.805
9/8/2013 2.774
9/15/2013 2.7495
9/22/2013 2.783
9/29/2013 2.778
10/6/2013 2.774
### 2.759
### 2.76
### 2.7755
11/3/2013 2.8005
### 2.7995
### 2.804
### 2.8025
12/1/2013 2.8005
12/8/2013 2.7713
### 2.7655
### 2.7963
### 2.8085
1/5/2014 2.7975
1/12/2014 2.8083
1/19/2014 2.8235
1/26/2014 2.823
2/2/2014 2.82
2/9/2014 2.815
2/16/2014 2.8065
2/23/2014 2.798
3/2/2014 2.8025
3/9/2014 2.804
3/16/2014 2.8105
3/23/2014 2.8133
3/30/2014 2.814
4/6/2014 2.784
4/13/2014 2.7725
4/20/2014 2.803
4/27/2014 2.802
5/4/2014 2.789
5/11/2014 2.788
5/18/2014 2.7895
5/25/2014 2.7645
6/1/2014 2.7895
6/8/2014 2.788
6/15/2014 2.8053
6/22/2014 2.796
6/29/2014 2.7695
7/6/2014 2.788
7/13/2014 2.791
7/20/2014 2.789
7/27/2014 2.798
8/3/2014 2.7975
8/10/2014 2.8045
8/17/2014 2.8315
8/24/2014 2.8445
8/31/2014 2.8505
9/7/2014 2.858
9/14/2014 2.8655
9/21/2014 2.8865
9/28/2014 2.902
10/5/2014 2.906
### 2.9045
### 2.911
### 2.923
11/2/2014 2.9275
11/9/2014 2.932
### 2.913
### 2.924
### 2.957
12/7/2014 2.9625
### 2.9735
### 2.98
### 2.9644
1/4/2015 2.988
1/11/2015 3.016
1/18/2015 3.0195
1/25/2015 3.063
2/1/2015 3.071
2/8/2015 3.081
2/15/2015 3.086
2/22/2015 3.0935
3/1/2015 3.0965
3/8/2015 3.0972
3/15/2015 3.084
3/22/2015 3.0926
3/29/2015 3.0925
4/5/2015 3.1195
4/12/2015 3.1249
4/19/2015 3.1354
4/26/2015 3.1301
5/3/2015 3.144
5/10/2015 3.1453
5/17/2015 3.1455
5/24/2015 3.1534
5/31/2015 3.1634
6/7/2015 3.1548
6/14/2015 3.167
6/21/2015 3.1677
6/28/2015 3.1765
7/5/2015 3.1794
7/12/2015 3.1831
7/19/2015 3.1856
7/26/2015 3.1862
8/2/2015 3.2017
8/9/2015 3.2414
8/16/2015 3.2742
8/23/2015 3.226
8/30/2015 3.215
9/6/2015 3.2147
9/13/2015 3.1899
9/20/2015 3.2228
9/27/2015 3.2239
10/4/2015 3.212
### 3.2498
### 3.2714
### 3.2801
11/1/2015 3.3085
11/8/2015 3.3365
### 3.3625
### 3.3685
### 3.3674
12/6/2015 3.3756
### 3.3738
### 3.3833
### 3.4095
1/3/2016 3.425
1/10/2016 3.4219
1/17/2016 3.4459
1/24/2016 3.4709
1/31/2016 3.4805
2/7/2016 3.5045
2/14/2016 3.519
2/21/2016 3.522
2/28/2016 3.456
3/6/2016 3.359
3/13/2016 3.3775
3/20/2016 3.3785
3/27/2016 3.344
4/3/2016 3.3715
4/10/2016 3.274
4/17/2016 3.2706
4/24/2016 3.2859
5/1/2016 3.3098
5/8/2016 3.3356
5/15/2016 3.3321
5/22/2016 3.349
5/29/2016 3.3342
6/5/2016 3.331
6/12/2016 3.3167
6/19/2016 3.3127
6/26/2016 3.2875
7/3/2016 3.2842
7/10/2016 3.2784
7/17/2016 3.3215
7/24/2016 3.3575
7/31/2016 3.332
8/7/2016 3.314
8/14/2016 3.3197
8/21/2016 3.3495
8/28/2016 3.383
9/4/2016 3.393
9/11/2016 3.392
9/18/2016 3.3565
9/25/2016 3.383
10/2/2016 3.4032
10/9/2016 3.4026
### 3.4077