2 votos

Proceso estacionario con autocorrelación en la Varianza; regla de la raíz cuadrada

actualmente estoy analizando una serie de tiempo de la cartera de registro de las devoluciones y han llevado a cabo una prueba ADF, con el resultado de que la serie es estacionaria, pero también se encuentran importantes de autocorrelación en el cuadrado de la devolución de la serie. Es que no es una contradicción, porque si la serie es estacionaria, la distribución de los retornos deben ser independientes de tiempo y por lo tanto tener una estable de la varianza a lo largo del tiempo?

Mi objetivo es averiguar si puedo usar la regla de la raíz cuadrada para extrapolar la desviación estándar de 1 día a 10 días. Esta regla requiere cero de autocorrelación en los rendimientos ( que se da) y la varianza de la estacionariedad. No estoy seguro, dado los resultados de mi prueba, si este es válido. Otra pregunta es, si esta regla de la raíz cuadrada depende de la distribución, no se tienen en uno normal o es independiente de la distribución?

Gracias.

2voto

akalenuk Puntos 1738

Estás en lo correcto en que la serie es no estacionaria. La prueba ADF no está diseñado para la prueba de estacionariedad fuera del centro de la localidad. Usted no va a ser capaz de utilizar la regla de la raíz cuadrada para extrapolar porque tienen importantes de autocorrelación de las desviaciones.

Yo tengo una sugerencia sobre el problema señalando que las devoluciones no son datos. Los precios son los datos, pero los rendimientos son transformaciones de datos. El registro de devolución, es incluso mayor transformación de los datos en bruto.

Vamos a empezar con un simple AR(1) el proceso de precios $p_{t+1}=Rp_t+\epsilon_{t+1}$, donde R es, implícitamente, un retorno y, por simplicidad, $\epsilon_{t+1}\sim\mathcal{N}(0,\sigma_{t+1})$ e $\epsilon_{t}\perp\epsilon_{t+\Delta{t}}$. De Mann y Wald, sabemos que el estimador de MCO es el MLE estimador de $R$ para cualquier distribución del término de error. De Blanco, sabemos que la distribución muestral del estimador OLS para $R$ es la distribución de Cauchy. Dado que la distribución de Cauchy no tiene decir, esto es lo mismo que decir no-Bayesiano existe una solución que es, además, coherente con el pensamiento detrás de la media de la varianza de las finanzas. Si, por otro lado, los rendimientos son definidos como $r_t=\frac{p_{t+1}}{p_t}$ y el tanto $p_t$ e $p_{t+1}$ son independientes normal de las variables aleatorias, a continuación, $r_t$ tendría una distribución de Cauchy. El registro de la versión de esto sería la secante hiperbólica de distribución que tiene una media y una varianza.

Supongamos además que los precios son localmente una función de la liquidez y en el mundo en función de los flujos de efectivo descontados. Esto hace que la liquidez de una función rápida y el flujo de efectivo de una lenta de la función. Aunque esto implica que las devoluciones deben estar en función de la liquidez a través de los precios, la liquidez en sí tiene dos componentes, el global de la tasa de interés y el ajuste local para los creadores de mercado específicas necesidades de liquidez. El descuento de los flujos de efectivo de las acciones de la tasa global. En un documento separado, que sostienen que la distribución de la liquidez es normal o log-normal dependiendo del modelo que está utilizando.

El corto plazo el efecto es que las devoluciones deben estar centrado en el descuento de flujos de efectivo de los dividendos, pero que la varianza de registro-las devoluciones deben estar centrados en el corto plazo la liquidez. Aunque la liquidez debe tener un ligero efecto en el centro de la ubicación, que debe aparecer en la constante de regresión debido a la forma en que está utilizando. La variabilidad de los precios, que es lo que el bid-ask spread es, es un corto proceso de ejecución. Como la liquidez no es idiosincrásico dentro de las instituciones, sino más bien una sistemática problema, usted tiene que esperar que la correlación serial entre los términos.

El número de retardos que se debe reflejar cuánto tiempo le toma a las empresas a cambiar su general de los niveles de liquidez. Esto depende tanto de factores internos, tales como el margen de crédito y así sucesivamente, y la de corto plazo externa de la popularidad de un tema en particular.

Al analizar la correlación serial de los rendimientos que implica el impulso de los precios. Esto implica que los precios no se ajustan instantáneamente, de lo contrario, no habría ninguna información en los rendimientos históricos. Usted debe mirar tanto el bid-ask spread y las tasas de interés. Yo diría que usted tiene un mal especificada modelo y que no hay solución, salvo que se adapte a las series de tiempo de corto plazo de las tasas de interés y el bid-ask spread. Usted puede desear mirar como Abbott del modelo de mercado y de liquidez en La Valoración Manual. También debe tomar un artículo sobre la suma de las variables extraídas de la secante hiperbólica de distribución, ya que es esencialmente lo que el lado derecho de la fórmula de regresión es.

0voto

scottishwildcat Puntos 146

para la raíz cuadrada del tiempo de la regla sólo se necesita la no correlación de los retornos. Entonces $$ VAR[R_1 + \cdots + R_N] = VAR[R_1] + \cdots + VAR[R_N], $$ entonces si $ VAR[R_i] = VAR[R_j] = \sigma^2$ para $i,j = 1, \ldots, N$ luego $$ VAR[R_1] + \cdots + VAR[R_N] = N \sigma^2 $$ y $$ \sqrt{VAR[R_1 + \cdots + R_N]} = \sigma \sqrt{N}. $$

El hecho de que $R^2_i$ no está correlacionado muestra que los retornos no son independientes - que no es necesario para los de arriba de la derivación.

Finanhelp.com

FinanHelp es una comunidad para personas con conocimientos de economía y finanzas, o quiere aprender. Puedes hacer tus propias preguntas o resolver las de los demás.

Powered by:

X