Estoy tratando de determinar qué modelo cuantitativo para tratar de construir un modelo de predicción para el precio de cierre del día siguiente para todas las acciones de S & P basado en su barra para ese día en particular . Sin embargo, no estoy seguro de cómo pensar en esto.
Anteriormente he utilizado datos históricos para intentar predecir los precios de cierre, lo que sería mucho más fácil. En este caso, estoy pensando que puedo asumir que las acciones siguen una distribución lognormal y puedo intentar determinar los parámetros de esta distribución basándome en la barra y eventualmente usar una simulación de Monte Carlo, donde muestro aleatoriamente de esta Lognormal para obtener el precio de cierre de cada acción. ¿Suena bien esto?
Editar : He repensado el problema y ahora lo planteo de la siguiente manera:
Estoy tratando de encontrar el precio de cierre utilizando la ecuación siguiente: $ClosingPrice_{t}=alpha1OpeningPrice_{t}+alpha2HighPrice_{t}+alpha3LowPrice_{t}$
donde cada una de las variables precio de apertura, el valor más alto y el valor más bajo son modelados por su propia Serie de Tiempo ARIMA, como se utiliza comúnmente para modelar los precios de las acciones. Sin embargo, para el modelo para determinar el precio de cierre planeo usar una Regresión de Paseo ya que sospecho que habrá multicolinealidad entre algunas de estas variables.
¿Tiene sentido este modelo?
Gracias
