Unregelmäßig verteilte Zeitreihen in der Finanz- / Wirtschaftsforschung

14

In der Finanzökonometrie ist es weit verbreitet, Beziehungen zwischen Finanzzeitreihen in Form von Tagesdaten zu untersuchen . Die Variable wird oft zu indem zum Beispiel die log-Differenz genommen wird; ln ( P t ) - ln ( P t - 1 ) .ich(0)ln⁡(Pt)-ln⁡(Pt-1)

Tägliche Daten bedeuten jedoch, dass jede Woche Datenpunkte vorhanden sind und Samstag und Sonntag fehlen. Dies scheint in der angewandten Literatur, die mir bekannt ist, keine Erwähnung zu finden. Hier sind einige eng verwandte Fragen, die sich aus dieser Beobachtung ergeben:5

  • Gilt dies als unregelmäßig verteilte Daten, obwohl die Finanzmärkte am Wochenende geschlossen sind?

  • Wenn ja, welche Konsequenzen hat dies für die Gültigkeit der bisherigen empirischen Ergebnisse, die in der gigantischen Anzahl von Veröffentlichungen, die dieses Thema ignorieren, erzielt wurden?

time-series econometrics finance macroeconomics unevenly-spaced-time-series Jase
quelle
6
In Bezug auf Ihre erste Frage wird dieses Problem manchmal als Wochenendeffekt bezeichnet . Meiner Meinung nach ist die Antwort kontextabhängig. Diese Frage ist zum Beispiel bei Aktienretouren sehr sinnvoll. Siehe zum Beispiel hier , hier , hier und hier . Ich bin mir aber nicht sicher, ob dieser Effekt auf andere Zusammenhänge zutrifft.
@Procrastinator Antwort absenden es ist sehr gut !!
Jase
Es gibt eine quantitative Finanz-SE, die möglicherweise geeigneter ist, um aussagekräftige Antworten zu erhalten. Tatsächlich gibt es viel mehr Probleme als am Wochenende: Nächte, Feiertage usw., die sich mit mehreren Preisquellen verschlimmern.
Lcrmorin

Antworten:

1

Vollständige Offenlegung! Ich kenne mich mit Finanzen / Wirtschaft nicht aus und entschuldige mich im Voraus für meine Ignoranz. Aber ich finde diese Frage weiter als Finanzen. Die Analyse unregelmäßig erfasster Daten erfolgt in vielen anderen Bereichen, beispielsweise in der Biologie und der Medizin. Einer der Nachteile klassischer Ansätze wie der autoregressiven Regression (AR) ist ihre Schwäche im Umgang mit unregelmäßig gesammelten Daten. Dieses Problem kann jedoch durch Gaußsche Prozesse (GPs) gelöst werden. Es wird zum Beispiel hier oder hier verwendet .

omidi
quelle
0

Traditionell machen wir uns keine Gedanken über Nicht-Handelstage und zählen dies als regelmäßig verteilte Daten. Es gibt jedoch zwei mögliche Auswirkungen, über die Sie sich Sorgen machen müssen.

Der erste ist die Auswirkung der Zeit auf das Momentum und die Interaktion mit Frühindikatoren. Wenn Sie eine verzögerte Variable haben, die ein guter Anführer ist - sagen wir, es ist die Durchschnittstemperatur -, werden einige Ihrer Datenpunkte auf den nächsten Tag (Freitag -> Donnerstag) verzögert, während andere drei Tage (Montag -> Freitag) verzögert sind. Aus diesem Grund kann es zu falschen Ergebnissen kommen.

Das zweite Problem ist die Aktivität, die auftritt, wenn die Märkte geschlossen sind. Nach Handelsschluss, Optionspreisgestaltung usw. Wenn dies ein Faktor ist, ist es möglicherweise besser, eine regelmäßig verteilte Zeitreihe zu berechnen und Nichthandelstage auf andere Weise zu interpolieren oder zu berücksichtigen.

JasonRDalton
quelle
Nur weil die Märkte geschlossen sind, heißt das nicht, dass sie regelmäßig voneinander getrennt sind. Wenn wir es als einen zugrunde liegenden Prozess betrachten, den wir diskret untersuchen (wenn Märkte geöffnet werden), der sich jedoch bei geschlossenen Märkten weiterentwickelt, ist dies unregelmäßig. Ich denke, diese Metapher der kontinuierlichen Evolution ist nützlicher, da sie mit nahezu offenen Sprüngen übereinstimmt (alle Informationen aus geschlossenen Zeiten werden in einem Moment enthüllt).
Jase