Séries temporais irregulares na pesquisa em finanças / economia


14

Na pesquisa em econometria financeira, é muito comum investigar relações entre séries temporais financeiras que assumem a forma de dados diários . A variável será feita com a diferença do log, por exemplo; .Eu(0 0)em(Pt)-em(Pt-1)

No entanto, dados diários significam que há pontos de dados por semana e faltam sábado e domingo. Parece que isso não recebe menção na literatura aplicada de que estou ciente. Aqui estão algumas perguntas estreitamente relacionadas que eu tenho que vêm dessa observação:5

  • Isso se qualifica como dados com espaçamento irregular, mesmo que os mercados financeiros estejam fechados no fim de semana?

  • Em caso afirmativo, quais são as conseqüências para a validade dos resultados empíricos existentes até o momento, no número gigantesco de artigos que ignoram essa questão?


6
Em relação à sua primeira pergunta, esse problema às vezes é chamado de efeito de fim de semana . Na minha opinião, a resposta depende do contexto. Por exemplo, essa pergunta faz muito sentido no caso de retorno de ações. Ver, por exemplo aqui , aqui , aqui e aqui . Mas não tenho certeza se esse efeito se aplica a outros contextos.

@Procrastinator Enviar resposta é muito boa !!
Jase

Existe um SE financeiro quantitativo que pode ser mais adequado para obter respostas significativas. Na verdade, existem muito mais problemas do que finais de semana: noites, feriados, etc., que pioram com várias fontes de preços.
Lcrmorin

Respostas:


1

Transparência completa! Não sei sobre finanças / economia, desculpe-me antecipadamente pela minha ignorância. Mas acho essa questão mais ampla do que finanças. A análise de dados amostrados irregularmente surge em muitos outros campos, como biologia e medicina. Uma das deficiências das abordagens clássicas, como a Regressão Autoregressiva (RA), é sua fraqueza ao lidar com dados amostrados irregularmente. No entanto, esse problema pode ser resolvido pelos processos gaussianos (GPs). É usado, por exemplo, aqui ou aqui .


0

Tradicionalmente, não nos preocupamos com dias não comerciais e contamos isso como dados espaçados regularmente. No entanto, existem dois efeitos possíveis com os quais você precisaria se preocupar.

O primeiro é o efeito do tempo no momento e na interação com os principais indicadores. Se você tem uma variável atrasada que é um bom líder - digamos que seja temperatura média -, alguns dos seus pontos de dados ficam atrasados ​​para o dia seguinte (sexta-feira -> quinta-feira), enquanto outros ficam atrasados ​​por três dias (segunda-feira -> sexta-feira). É provável que haja resultados espúrios por causa disso.

A segunda questão é a atividade que acontece quando os mercados estão fechados. Após o horário comercial, preços de opções, etc. Se isso for um fator, pode ser melhor calcular uma série temporal regularmente espaçada e interpolar ou contabilizar dias não comerciais de outra maneira.


Só porque os mercados estão fechados, não significa que seja regularmente espaçado. Se pensarmos nele como um processo subjacente que amostramos discretamente (quando os mercados são abertos), mas ainda evolui quando os mercados são fechados, é irregular. Eu acho que essa metáfora da evolução contínua é mais útil, pois é consistente com saltos quase abertos (todas as informações de tempos fechados são reveladas em um momento).
Jase
Ao utilizar nosso site, você reconhece que leu e compreendeu nossa Política de Cookies e nossa Política de Privacidade.
Licensed under cc by-sa 3.0 with attribution required.