Personalmente, me decantaría por un rendimientos normales porque no hace ninguna suposición sobre los datos o los rendimientos.
Cuando utilizamos los rendimientos logarítmicos, suponemos que los precios se distribuyen con normalidad logarítmica (lo que suele estar muy lejos de la realidad).
Además, si va a investigar una distribución diferente, no utilizará las características de las devoluciones de los registros como aditividad del tiempo o igualdad aproximada del registro bruto .
Y si se piensa en la distribución de los estudiantes T esto es que vale la pena considerar:
Matemáticamente hay un problema: cuando se asume una distribución student-t (una opción estándar) de los retornos logarítmicos, entonces estás automáticamente que el valor esperado de cualquier acción en ¡un día es infinito! Esto no suele ser lo que la gente espera del mercado, especialmente si se tiene en cuenta que no existe una cantidad infinita de dinero (¡todavía!). cantidad de dinero (¡todavía!). Supongo que técnicamente se puede debatir si es una suposición correcta, pero permítanme estipular que no es lo que la gente suele pretender.
Esto sucede incluso a pequeña escala, por lo que para los rendimientos diarios, y es porque la función generadora de momentos es indefinida para las distribuciones student-t (el valor de la función generadora de momentos en 1 es la rendimiento esperado, en términos de dinero, cuando se utilizan los rendimientos logarítmicos). En problema en Riskmetrics, donde, por supuesto, no vimos infinito" como número de riesgo, pero sí vimos, de vez en cuando, números de vez en cuando, números ridículamente grandes cuando dejábamos que la gente combinara "retornos logarítmicos" con "distribuciones student-t". returns" con "student-t distributions". Una solución a esto es utilizar porcentajes de rentabilidad cuando se quiere asumir colas gordas.
