Coeficientes del modelo ARIMA a partir de series de datos discontinuas

Question

Los precios de las acciones no son procesos estacionarios durante toda la semana o todo el día. Por ejemplo, el EURGBP tiene una baja variabilidad durante la noche en Europa, pero durante las horas de trabajo es mucho más dinámico debido a la liquidez del mercado.

Quiero recoger datos históricos (intervalo de 15 minutos), calcular los coeficientes ARIMA y obtener la predicción en R. Pero no tiene sentido incluir los datos de las horas nocturnas si sólo comercio durante el día.

Entonces, ¿es posible crear un modelo ARIMA basado en series de datos discontinuas (como 10:00 - 16:00 lunes, 10:00 - 16:00 martes, 10:00 - 16:00 miércoles, etc.)? ¿Cómo fusionar estos datos minimizando el error (el precio del martes a las 10:00 no es de facto el siguiente precio después del lunes a las 16:00)?

Answer 1

Pero no tiene sentido incluir los datos de las horas nocturnas si sólo comercio durante el día.

Este tipo de pensamiento parece ser una falacia común de los principiantes en la econometría y campos relacionados (nada personal). Tienes que distinguir dos elementos de tu problema:

1. comprender cómo se desarrolla una serie temporal (por ejemplo, construyendo un modelo para ella);
2. Utilizar su comprensión para averiguar una función de este desarrollo (por ejemplo, una previsión para un período de tiempo específico).

Piensa en una analogía: si el verdadero modelo es $$ y=\beta_0+\beta_1 x_1 + \beta_2 x_2 + u $$ y sólo te interesa $\beta_0$ y $\beta_1$ pero no $\beta_2$ , todavía es mejor estimar $\beta_0$ y $\beta_1$ del modelo verdadero y no del submodelo $$ y=\beta_0 + \beta_1 x_1 + v. $$ Sus estimaciones del modelo completo serán más precisas, y considerablemente si $x_1$ está (altamente) correlacionada con $x_2$ .

Volviendo a su problema original: si la evolución de la serie temporal durante la noche no tuviera ninguna relación con su evolución durante el día, podría ignorar las horas nocturnas. Pero lo más probable es que la relación esté ahí, así que es mejor tenerla en cuenta. En otras palabras, yo abordaría los dos elementos centrales de su problema por turnos, sin tomar atajos.

Answer 2

Cuando se habla de discontinuidad, se refiere a la hora del reloj. Así que, dependiendo de sus suposiciones, puede que no sea discontinuo en el tiempo de negociación.

En el caso de algunos valores que no cotizan durante la noche y que son relativamente estables durante las horas de descanso, es mejor ignorar las horas de descanso y hacer que la serie temporal sea continua. En cambio, en el caso de otros valores que se negocian de forma continua, si los datos son nulos después de la agregación, es posible que haya que interpolar las series temporales, aunque los distintos métodos de interpolación introducen diferentes sesgos.

Answer 3

Te recomendaría utilizar toda la información (para incluir los datos de las horas nocturnas): en primer lugar, ajusta tus datos para la periodicidad intradiaria con una función determinista, en segundo lugar, puedes ajustar tu arima en la serie ajustada a la periodicidad. Podrá recuperar la serie original no ajustada multiplicando posteriormente sus estimaciones medias por el factor determinista.

Vea también aquí : ¿Es una buena manera de trabajar con el modelo ARMA?

Answer 4

¿Has pensado en reflejar los datos? Así tendrías en el periodo de datos que faltan la réplica de lo ocurrido durante el día, pero de forma inversa.