Cuando las dos series temporales con diferente longitud, ¿cómo podríamos analizarlas con un modelo GARCH bivariado?

Question

En este momento, necesito hacer el análisis del tipo de cambio rublo/dólares estadounidenses y el índice bursátil en Rusia, prefiero hacerlo en un modelo GARCH multivariado. Sin embargo, tengo una pregunta sobre los datos. Actualmente, tengo ambos conjuntos de datos pero no son paralelos, es decir, tengo el índice bursátil en 30 de diciembre de 2014, 5 de enero de 2015, .... que es diferente del tipo de cambio 31 de diciembre de 2014, 1 de enero, 13 de enero, ..... No estoy seguro de si he descargado los datos equivocados, de lo contrario, ¿cómo debo tratar con este caso, para eliminar algunos días de ambos conjuntos de datos?

Answer 1

Normalmente hago una de las siguientes cosas:

• Cambio la granularidad de los datos: descarga de rendimientos semanales en lugar de diarios;
• Creo un "índice de días superlaborioso": Es decir, (1) produzco un índice de fechas que consiste en todas las fechas posibles excepto los domingos y los sábados; (2) en TODAS las series del conjunto de datos interpolo linealmente las fechas que faltan frente al superíndice (digamos que en el índice A tengo rendimientos en las fechas A1, A2 y A7, A3 era festivo nacional; en B tengo B1, B3 y B7: B2 era festivo; 5 y 6 en ambas series son domingo y sábado; creo el superíndice C, con las fechas C1, C2, C3, C4 y luego interpolo A3 entre A2 y A4 y B2 entre B1 y B3). Lo hice cuando escribí un artículo sobre los efectos indirectos de la volatilidad diaria en 12 países de todo el mundo: muchos puntos en los que las fechas eran incomparables, ya que cada nación tiene su propio conjunto de días festivos.

Answer 2

Cuando faltan días en una serie temporal, cualquier serie temporal, yo preferiría interpolar por algún método a omitir los datos cuando se está interesado en una granularidad particular. La interpolación de los puntos de datos puede hacerse por varios métodos, dependiendo de cómo se vea el mundo y del mejor ajuste para sus datos:

1. Supongamos que el cierre del período anterior fue el mismo que los datos de el período que falta (un modelo "plano")
2. Interpolar linealmente los datos, es decir, crear una línea recta entre el cierre anterior y la apertura siguiente y fijar los puntos de datos fuera de la línea.
3. Ajustar una spline o media móvil a través de los datos n períodos a cada lado e interpolar fuera de la curva.
4. ajustar un modelo más complicado a los datos n períodos a cada lado e interpolar a partir de ese modelo.

Siendo realistas, normalmente elijo 2 o 3 como la mejor recompensa al esfuerzo, ya que son las que mejor explican la "tendencia" durante el período cerrado y fuera de las horas de negociación / subasta.

Otra respuesta sugiere cambiar la granularidad, lo que creo que no es deseable si te interesa interpolar o extrapolar a diario en lugar de basarte en una granularidad mayor, ya que suavizas las características granulares.