Nieregularnie rozmieszczone szeregi czasowe w badaniach finansów / ekonomii

14

W badaniach ekonometrii finansowej bardzo często badane są relacje między szeregami czasowymi finansów, które przyjmują formę danych dziennych . Zmienną często będzie , biorąc na przykład różnicę logarytmiczną; ln ( P t ) - ln ( P t - 1 ) .ja(0)ln⁡(P.t)-ln⁡(P.t-1)

Jednak codzienne dane oznaczają, że co tydzień jest punktów danych, a brakuje soboty i niedzieli. Wydaje się, że nie ma o tym wzmianki w literaturze stosowanej, o której jestem świadomy. Oto kilka ściśle powiązanych pytań, które wynikają z tej obserwacji:5

  • Czy kwalifikuje się to jako dane o nieregularnych odstępach, mimo że rynki finansowe są zamknięte w weekend?

  • Jeśli tak, jakie są konsekwencje dla ważności zachowanych wyników empirycznych zebranych do tej pory w gigantycznej liczbie artykułów ignorujących ten problem?

time-series econometrics finance macroeconomics unevenly-spaced-time-series Jase
źródło
6
Jeśli chodzi o twoje pierwsze pytanie, problem ten jest czasami nazywany efektem weekendu . Moim zdaniem odpowiedź zależy od kontekstu. Na przykład to pytanie ma sens w przypadku zwrotów akcji. Zobacz na przykład tutaj , tutaj , tutaj i tutaj . Ale nie jestem pewien, czy ten efekt dotyczy innych kontekstów.
@ Procrastinator Prześlij odpowiedź, jest bardzo dobra !!
Jase
Istnieje finanse ilościowe SE, które mogą być bardziej odpowiednie do uzyskania sensownych odpowiedzi. W rzeczywistości jest o wiele więcej problemów niż w weekendy: noce, święta ... itd., Które pogarszają się z wieloma źródłami cen.
lcrmorin

Odpowiedzi:

1

Pełne ujawnienie informacji! Nie wiem o finansach / ekonomii, więc z góry przepraszam za moją ignorancję. Ale uważam to pytanie za szersze niż finanse. Analiza nieregularnie pobranych danych pojawia się w wielu innych dziedzinach, takich jak biologia i medycyna. Jednym z niedociągnięć klasycznych podejść, takich jak regresja autoregresyjna (AR), jest ich słabość w radzeniu sobie z nieregularnie próbkowanymi danymi. Problem ten można jednak rozwiązać za pomocą procesów Gaussa (GP). Jest używany na przykład tutaj lub tutaj .

omidi
źródło
0

Tradycyjnie nie martwimy się o dni wolne od handlu i liczymy to jako dane regularnie rozmieszczone. Istnieją jednak dwa możliwe efekty, o które musiałbyś się martwić.

Pierwszy to wpływ czasu na pęd i interakcję z wiodącymi wskaźnikami. Jeśli masz opóźnioną zmienną, która jest dobrym liderem - powiedzmy, że jest to średnia temperatura - wówczas niektóre z twoich punktów danych zostaną opóźnione do następnego dnia (piątek -> czw.), Podczas gdy inne będą opóźnione o trzy dni (poniedziałek -> piątek). Z tego powodu prawdopodobnie będą fałszywe wyniki.

Druga kwestia to aktywność, która ma miejsce, gdy rynki są zamknięte. Po godzinach handlu, wycenie opcji itp. Jeśli są to czynniki, lepiej jest obliczyć regularnie rozmieszczone szeregi czasowe i interpolować lub rozliczać dni wolne od handlu w inny sposób.

JasonRDalton
źródło
To, że rynki są zamknięte, nie oznacza, że ​​są regularnie rozmieszczone. Jeśli uważamy, że jest to proces leżący u podstaw dyskrecji (po otwarciu rynków), ale wciąż ewoluuje po zamknięciu rynków, to jest to nieregularne. Myślę, że ta metafora ciągłej ewolucji jest bardziej przydatna, ponieważ jest spójna z skokami zbliżonymi do otwartych (wszystkie informacje z czasów zamkniętych są ujawniane w ciągu jednej chwili).
Jase