¿Cuál es su objetivo? Hay muchos enfoques que pueden lograrlo a grandes rasgos, pero su sensatez depende de su aplicación.
Por ejemplo, si le interesan las rupturas intradía en el proceso de niveles, puede utilizar OLS con una función indicadora de rupturas a priori, o quizá un filtro de Kalman univariante con un coeficiente de pendiente estocástico especificado como un proceso de paseo aleatorio (o parecido, siempre que no sea explosivo). Se desea un elemento de reversión a la media, por lo que, al menos para el diferencial entre la oferta y la demanda, se podría utilizar un modelo de corrección de errores vectorial estocástico en el que varios parámetros pueden ajustarse intradía en función del tiempo de acuerdo con núcleos polinómicos; desde 2011, ésta es un área activa de investigación. La variable dependiente de cada ecuación es el cambio logarítmico en los niveles de oferta y demanda, respectivamente; consulte los escritos de Engle de principios de la década de 2000 para obtener una versión estática que tendrá que ampliar usted mismo para que sea variable en el tiempo. Esto es sencillo, ya que al suponer un vector de cointegración unitario podemos estimar cada ecuación con MCO, por lo que la aplicación del filtro de Kalman es fácil.
Para la volatilidad podría considerar la familia GARCH con los parámetros variables en el tiempo, o con variables ficticias en la ecuación de la varianza. Para el enfoque no paramétrico que desea, podría considerar la volatilidad wavelet, que varía intradía tanto en el dominio temporal como en el frecuencial.
Si desea medir la estacionalidad en la dinámica de correlación, existen varios métodos. Si muestrea los datos en barras y no en ticks (ya que la optimización numérica del MLE es extremadamente tediosa para más de 2000 filas), puede utilizar cópulas estocásticas paramétricas o no paramétricas (no gaussianas) como la cópula simetrizada de Joe-Clayton. Esto supone que tanto la correlación lineal intradía como las correlaciones asintóticas de cola (así como todas las correlaciones cuantílicas sobre los reales) varían con el tiempo. Si usted está principalmente interesado en la correlación que sólo es sensible a las relaciones monótonas, usted puede hacer una transformada integral en este parámetro y recuperar la variable en el tiempo kendall tau o spearman rho. De nuevo, para la versión no paramétrica existen varios filtros de procesamiento de señales para evaluar eficazmente las correlaciones dinámicas, y también se puede investigar la diferenciación de fase wavelet dinámica en el tiempo mediante una transformada tangente inversa de los coeficientes reales e imaginarios, así como la covariación wavelet, sobre todo si también se está interesado en los desplazamientos en el dominio de la frecuencia intradiaria de las correlaciones.
Para otros enfoques, puede consultar la bibliografía sobre econofísica, que es bastante amplia en este tipo de minería de patrones.
Pero me cuesta ver cómo puede ser útil desde una perspectiva empírica/científica. Tal vez si está liquidando, puedo entender este análisis.
