Chuỗi thời gian không đều trong nghiên cứu tài chính / kinh tế


14

Trong nghiên cứu kinh tế lượng tài chính, rất phổ biến để điều tra các mối quan hệ giữa các chuỗi thời gian tài chính có dạng dữ liệu hàng ngày . Biến thường sẽ được tạo bằng cách lấy chênh lệch log, ví dụ; ln ( P t ) - ln ( P t - 1 ) .I(0)ln(Pt)ln(Pt1)

Tuy nhiên, dữ liệu hàng ngày có nghĩa là có điểm dữ liệu mỗi tuần và thứ bảy và chủ nhật bị thiếu. Điều này dường như không được đề cập đến trong các tài liệu ứng dụng mà tôi biết. Đây là một số câu hỏi liên quan chặt chẽ mà tôi có được từ quan sát này:5

  • Điều này có đủ điều kiện là dữ liệu cách đều đặn, mặc dù thị trường tài chính đã đóng cửa vào cuối tuần?

  • Nếu vậy, hậu quả cho tính hợp lệ của các kết quả thực nghiệm còn tồn tại đã thu được từ trước đến nay trong số lượng khổng lồ các bài báo bỏ qua vấn đề này là gì?


6
Về câu hỏi đầu tiên của bạn, vấn đề này đôi khi được gọi là hiệu ứng cuối tuần . Theo tôi, câu trả lời phụ thuộc vào ngữ cảnh. Ví dụ, câu hỏi này rất có ý nghĩa trong trường hợp lợi nhuận chứng khoán. Xem ví dụ ở đây , đây , đâyđây . Nhưng tôi không chắc nếu hiệu ứng này áp dụng cho các bối cảnh khác.

@Procrastinator Gửi câu trả lời rất hay !!
Jase

Có một SE tài chính định lượng có thể phù hợp hơn để có được câu trả lời đầy ý nghĩa. Thực tế có nhiều vấn đề hơn nhiều so với cuối tuần: đêm, ngày lễ ngân hàng ... vv trở nên tồi tệ hơn với nhiều nguồn giá.
lcrmorin

Câu trả lời:


1

Công bố đầy đủ! Tôi không biết về tài chính / kinh tế, vì vậy xin lỗi trước sự thiếu hiểu biết của tôi. Nhưng tôi thấy câu hỏi này rộng hơn tài chính. Phân tích dữ liệu lấy mẫu bất thường phát sinh trong nhiều lĩnh vực khác, chẳng hạn như sinh học và y học. Một trong những thiếu sót của các phương pháp cổ điển như AutoreTHERive Regression (AR) là điểm yếu của chúng trong việc xử lý dữ liệu được lấy mẫu bất thường. Tuy nhiên, vấn đề này có thể được giải quyết bằng các quy trình Gaussian (GP). Nó được sử dụng ví dụ ở đây hoặc ở đây .


0

Theo truyền thống, chúng tôi không lo lắng về những ngày không giao dịch và coi đây là dữ liệu cách đều đặn. Tuy nhiên, có hai tác dụng có thể xảy ra mà bạn phải lo lắng.

Đầu tiên là ảnh hưởng của thời gian đến động lượng và tương tác với các chỉ số hàng đầu. Nếu bạn có một biến bị trễ là một nhà lãnh đạo giỏi - giả sử đó là nhiệt độ - thì một số điểm dữ liệu của bạn sẽ bị trễ vào ngày hôm sau (Thứ Sáu -> Thứ Năm) trong khi các điểm khác bị trễ ba ngày (Thứ Hai -> Thứ Sáu). Có khả năng là kết quả giả vì điều đó.

Vấn đề thứ hai là hoạt động xảy ra khi thị trường đóng cửa. Sau nhiều giờ giao dịch, giá quyền chọn, v.v ... Nếu đó là một yếu tố, bạn có thể nên tính toán một chuỗi thời gian cách đều đặn và nội suy hoặc kế toán cho những ngày không giao dịch theo cách khác.


Chỉ vì thị trường đóng cửa không có nghĩa là nó thường xuyên cách nhau. Nếu chúng ta nghĩ về nó như là một quá trình cơ bản mà chúng ta lấy mẫu một cách riêng biệt (khi thị trường được mở) nhưng vẫn phát triển khi thị trường đóng cửa thì đó là điều bất thường. Tôi nghĩ phép ẩn dụ tiến hóa liên tục này hữu ích hơn vì nó phù hợp với các bước nhảy gần (tất cả thông tin từ thời gian đóng được tiết lộ trong 1 khoảnh khắc).
Jase
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.