Modelización y predicción de frecuencia mixta datos financieros

Question

Me preguntaba si alguien podría proporcionar una guía para mí. Me gustaría

1. Combinar varios datos financieros de la mezcla de frecuencias (algunos diarios, semanal, algunos trimestral) para un índice compuesto. He estado leyendo acerca de MIDAS, pero que parece ser de alta frecuencia baja frecuencia. Tal vez me estoy perdiendo algo.

2. Predecir predicciones mensuales de una serie de tiempo con una mezcla de datos de frecuencia de (similar al anterior).

Answer 1

MIDAS es útil cuando se tiene una baja frecuencia de la serie y desea incluir alta frecuencia de datos en la regresión. Así, por ejemplo, si desea previsión de PIB trimestral de los datos y desea incluir diario de S&P 500 de datos como un regresor en lugar de usar el trimestre valor final del S&P 500.

Generalmente se asume que la causalidad va desde S&P 500 para el PIB. Se vuelve más complicado cuando empiezas a pensar en el impacto de quedado PIB en el S&P 500. Generalmente, usted puede conseguir lejos con algún tipo de ajuste especial como relleno en la tasa de crecimiento del PIB para cada período diario igual a la tasa de crecimiento trimestral, pero no necesariamente la captura de la relación correctamente.

Espacio de estado de métodos, tales como Filtros Kalman, son otro enfoque común para el manejo de datos mixtos de la serie. El Philly Fed ANUNCIOS de negocios índice de condiciones y la literatura en Nowcasting uso de este. Es un grande, complicado de la literatura que es, probablemente, más allá de un pequeño post para resumir. Para obtener una idea general del enfoque, se asume que los datos que faltan y, a continuación, utilizar Filtros Kalman para estimar los parámetros, dada la falta de datos.

Otro enfoque es utilizar una combinación de los modelos de previsión. En el anterior S&P 500 y el PIB ejemplo, podría utilizar a diario un modelo de pronóstico que incluye el PIB y trimestralmente un modelo de pronóstico que incluye. Usted puede utilizar el diario de modelo para pronosticar de forma iterativa a cabo por el resto del trimestre y, a continuación, utilizar el modelo trimestral a partir de entonces. Este enfoque podría ser mucho más ricos mensuales, modelos, etc.

Con respecto a su segunda pregunta, la parte difícil es estimar el modelo. Una vez que tenga el modelo y la estimación de los parámetros de la misma, el pronóstico es generalmente sencillo.

Answer 2

Para abordar la segunda pregunta: he hecho un par de cosas diferentes. Cuando no me importa mucho el resultado, me acaba de hacer una línea recta de interpolación o ajuste de una curva a hacer, por ejemplo, de trimestral a mensual. Cuando hice la atención, y fue un montón de trabajo, me encontré con un pago mensual o semanal de la serie similar a la menor frecuencia de la serie, y utiliza los cambios en los datos de alta frecuencia para generar el menor. Por ejemplo, aunque no lo hice, pero sólo para dar un ejemplo, se podría generar un programa semanal de la tasa de desempleo de la cifra mensual por el uso de los cambios en el semanario número de reclamaciones.

Answer 3

MIDAS es bastante marco general y para la media condicional de predicción que implican mixto de frecuencias, MIDAS modelos son más fáciles de estimación de estado-modelos de espacio.

Sin duda se puede predecir de baja frecuencia variable de destino el uso de alta frecuencia de la variable predictora(s). Si tienes muchos, usted puede hacer previsión de combinaciones. Matlab y R paquetes para MIDAS tiene muchas funcionalidades, incluyendo la previsión de combinaciones.

También puede predecir de alta frecuencia meta con baja frecuencia de datos utilizando la Inversa de MIDAS modelo. Véase, por ejemplo, https://www.sciencedirect.com/science/article/pii/S0169207018300967

También, usted tiene VAR frecuencia mixta modelos que permiten dos vías de la causalidad de las relaciones, ver https://papers.ssrn.com/sol3/papers.cfm?abstract_id=2465448 (también publicado en joe).