Series temporales espaciadas irregularmente en investigación financiera / económica

14

En la investigación de la econometría financiera, es muy común investigar las relaciones entre series de tiempo financieras que toman la forma de datos diarios . La variable a menudo se convertirá en tomando la diferencia logarítmica, por ejemplo; ln ( P t ) - ln ( P t - 1 )I(0)ln⁡(Pt)−ln⁡(Pt−1) .

Sin embargo, los datos diarios significan que hay puntos de datos cada semana, y faltan los sábados y domingos. Parece que esto no se menciona en la literatura aplicada que conozco. Aquí hay algunas preguntas estrechamente relacionadas que tengo que provienen de esta observación:5

  • ¿Esto califica como datos espaciados irregularmente, a pesar de que los mercados financieros están cerrados durante el fin de semana?

  • Si es así, ¿cuáles son las consecuencias para la validez de los resultados empíricos existentes acumulados hasta ahora en el gigantesco número de documentos que ignoran este tema?

time-series econometrics finance macroeconomics unevenly-spaced-time-series Jase
fuente
66
Con respecto a su primera pregunta, este problema a veces se denomina efecto de fin de semana . En mi opinión, la respuesta depende del contexto. Por ejemplo, esta pregunta tiene mucho sentido en el caso de las devoluciones de acciones. Ver por ejemplo aquí , aquí , aquí y aquí . Pero no estoy seguro de si este efecto se aplica a otros contextos.
@Procrastinator Enviar respuesta es muy bueno !!
Jase
Existe un SE de finanzas cuantitativas que puede ser más adecuado para obtener respuestas significativas. En realidad, hay muchos más problemas que los fines de semana: noches, feriados bancarios ... etc. que empeoran con múltiples fuentes de precios.
lcrmorin

Respuestas:

1

¡La divulgación completa! No sé sobre finanzas / economía, lo siento de antemano por mi ignorancia. Pero encuentro esta pregunta más amplia que las finanzas. El análisis de datos muestreados irregularmente surge en muchos otros campos, como la biología y la medicina. Una de las deficiencias de los enfoques clásicos como la regresión autorregresiva (AR) es su debilidad al tratar con datos muestreados irregularmente. Sin embargo, este problema puede abordarse mediante procesos gaussianos (GP). Se usa por ejemplo aquí o aquí .

omidi
fuente
0

Tradicionalmente, no nos preocupamos por los días no comerciales y contamos esto como datos espaciados regularmente. Sin embargo, hay dos posibles efectos de los que deberías preocuparte.

El primero es el efecto del tiempo sobre el impulso y la interacción con los principales indicadores. Si tiene una variable retrasada que es un buen líder, digamos que es la temperatura media, algunos de sus puntos de datos se retrasarán al día siguiente (viernes -> jueves) mientras que otros se retrasarán tres días (lunes -> viernes). Es probable que haya resultados espurios debido a eso.

El segundo problema es la actividad que ocurre cuando los mercados están cerrados. Operaciones fuera de horario, precios de opciones, etc. Si eso es un factor, es mejor que calcule una serie temporal regularmente espaciada y que interpole o contabilice los días no comerciales de otra manera.

JasonRDalton
fuente
El hecho de que los mercados estén cerrados no significa que esté regularmente espaciado. Si lo consideramos como un proceso subyacente que analizamos discretamente (cuando se abren los mercados) pero que aún evoluciona cuando los mercados están cerrados, entonces es irregular. Creo que esta metáfora de evolución continua es más útil ya que es consistente con saltos cercanos a abiertos (toda la información de tiempos cerrados se revela en 1 momento).
Jase