有哪些非參數方法可用於估計日內季節性？
存在哪些非參數“無模型”方法來衡量日內季節性？我想估計任何一個日內的季節性
- 波動性
- 成交量
- 買賣差價
- 或者像頻率高於指定門檻值的訂單率這樣深奧的東西。
我要探索的一種方法是時間序列或順序分群，然後是轉移機率估計。
感謝您的時間
你的目標是什麼？從廣義上講，有很多方法可以實現這一點，但它是否合理取決於您的應用程序。
例如，如果您對水平過程中的日內中斷感興趣，您可以查看具有先驗指標函式中斷的 OLS，或者可能是具有指定為隨機遊走過程的隨機斜率係數的單變數卡爾曼濾波器（或接近它，只要因為它不是爆炸性的）。您需要一個均值回歸元素，因此，至少對於買賣價差，您可以做一個隨機向量誤差校正模型，其中各種參數可以根據多項式核心在日內進行時間調整，因為這是 2011 年以來的一個活躍研究領域。每個等式的因變數分別是出價和出價水平的對數變化 - 查看 Engle 在 2000 年代初期的著作中的靜態版本，您需要將其擴展為隨時間變化的。
對於波動率，您可以考慮 GARCH 系列的參數是隨時間變化的，或者在變異數方程中使用虛擬變數。對於您希望的非參數方法，您可以查看在時域和頻域中在日內變化的小波波動性。
如果您想測量相關動態的季節性，有多種方法。如果您以條形而不是刻度對數據進行採樣（因為 MLE 的數值優化對於超過 2000 行非常繁瑣），您可以使用參數或非參數隨機 copula（非高斯），例如對稱化 Joe-Clayton copula。這假定日內線性相關性和漸近尾相關性（以及實數上的所有分位數相關性）都是時變的。如果您主要對僅對單調關係敏感的相關性感興趣，則可以對該參數進行積分變換並恢復隨時間變化的 kendall tau 或 spearman rho。同樣對於非參數版本，信號處理中有各種過濾器可以有效地評估動態相關性，
對於其他方法，您應該查看在這種模式探勘中相當大的經濟物理學文獻。
但是，除了經驗/科學的觀點之外，我很難看到這如何有用。也許如果你在清算，我可以理解這個分析。
對日內季節性進行準確估計可能對優化交易很有用。
季節性來自以下因素的混合：
- 節奏（例如歐洲曲線受到美國公開賽和新聞公告的影響）
- 事件（新聞）
- 市場設計（接近固定拍賣）
從估計的角度來看，您會看到越多地考慮這些影響（以便能夠刪除/添加它們）越好。
一旦你刪除了你可以刪除的東西，我想一個好的判斷是你的模型的預測能力。當然，這意味著對路徑依賴性較小的變數比其他變數更容易（例如路徑依賴性小於波動性的交易量）。
舉例來說，這裡是從實踐中的市場微觀結構（第 2.1.2 部分）中提取的全球交易量季節性。
