Séries chronologiques irrégulièrement espacées dans la recherche en finance / économie

14

Dans la recherche en économétrie financière, il est très courant d'étudier les relations entre les séries chronologiques financières qui prennent la forme de données quotidiennes . La variable sera souvent faite en prenant la différence logarithmique, par exemple; . $I(0)$ $\ln(P_t)-\ln(P_{t-1})$

Cependant, les données quotidiennes signifient qu'il y a points de données chaque semaine, et samedi et dimanche sont manquants. Cela ne semble pas être mentionné dans la littérature appliquée à ma connaissance. Voici quelques questions étroitement liées que j'ai de cette observation: $5$

S'agit-il de données irrégulièrement espacées, même si les marchés financiers sont fermés ce week-end?
Dans l'affirmative, quelles sont les conséquences pour la validité des résultats empiriques existants recueillis jusqu'à présent dans le nombre gigantesque d'articles qui ignorent cette question?

— Jase
source

6

Concernant votre première question, ce problème est parfois appelé effet week-end . À mon avis, la réponse dépend du contexte. Par exemple, cette question a beaucoup de sens dans le cas des retours sur actions. Voir par exemple ici , ici , ici et ici . Mais je ne sais pas si cet effet s'applique à d'autres contextes.

@Procrastinator Soumettre la réponse c'est très bien !!

— Jase

Il existe une SE financière quantitative qui peut être plus adaptée pour obtenir des réponses pertinentes. Il y a en réalité beaucoup plus de problèmes que les week-ends: nuits, jours fériés ... etc. qui s'aggravent avec de multiples sources de prix.

— lcrmorin

1

Divulgation complète! Je ne connais pas la finance / l'économie, donc désolé à l'avance pour mon ignorance. Mais je trouve cette question plus large que la finance. L'analyse de données échantillonnées de manière irrégulière se pose dans de nombreux autres domaines, tels que la biologie et la médecine. L'une des lacunes des approches classiques comme la régression autorégressive (RA) est leur faiblesse dans le traitement des données échantillonnées de manière irrégulière. Cependant, ce problème peut être résolu par des processus gaussiens (GP). Il est utilisé par exemple ici ou ici .

— omidi
source

0

Traditionnellement, nous ne nous soucions pas des jours non commerciaux et les comptons comme des données régulièrement espacées. Il y a cependant deux effets possibles dont vous auriez à vous soucier.

Le premier est l'effet du temps sur l'élan et l'interaction avec les indicateurs avancés. Si vous avez une variable décalée qui est un bon leader - disons que c'est la température moyenne - alors certains de vos points de données seront décalés au lendemain (vendredi -> jeudi) tandis que d'autres sont décalés de trois jours (lundi -> vendredi). Il y aura probablement de faux résultats à cause de cela.

Le deuxième problème est l'activité qui se produit lorsque les marchés sont fermés. Après les heures de négociation, tarification des options, etc. Si cela est un facteur, vous feriez mieux de calculer une série chronologique régulièrement espacée et d'interpoler ou de comptabiliser les jours non commerciaux d'une autre manière.

— JasonRDalton
source

Ce n'est pas parce que les marchés sont fermés qu'il est régulièrement espacé. Si nous le considérons comme un processus sous-jacent que nous échantillonnons discrètement (lorsque les marchés sont ouverts) mais qui évolue toujours lorsque les marchés sont fermés, alors il est irrégulier. Je pense que cette métaphore de l'évolution continue est plus utile car elle est cohérente avec les sauts proches de l'ouverture (toutes les informations sur les temps fermés sont révélées en un instant).

— Jase