建模
如何在預測建模中估算具有稀疏和非同步特徵的財務數據？
我觀看了一家大型量化金融公司的演講，該公司在預測建模方面投入了大量精力。演講者強調的一點是它們處理了很多非同步預測功能。因此，例如，一個特徵集可能圍繞幾家公司的季度收益，它可能用於預測與單個公司相關的一些未來的每日統計數據。數據是非同步的，因為（當然）並非所有數據都會同時到達，而且它是稀疏的，例如，收益事件可能每年僅發生四次。在此範例中，我們假設數據特徵矩陣具有每日時間尺度解析度。然而，他沒有確切討論他們如何匯總或估算缺失的數據。
我可以理解，一個人可能只是按季度匯總數據，但在他描述的情況下，對於相同的特徵矩陣（例如每日時間序列），還有其他特徵發生的頻率遠高於季度頻率。我的直覺是他們可能只是填寫稀疏特徵的空數據。
我很想知道是否有人建構了這類模型，以及他們如何清理數據集，然後繼續圍繞它測試某種模型。任何有實案例子的文獻都會很棒。
有大量關於 MIDAS（混合頻率數據採樣）模型的文獻，主要學者是 Eric Ghysels 和 Rossen Valkanov——Google他們的研究以獲取參考。然而，這些模型的動機主要是用高頻變數預測低頻的東西，例如，隨著每週失業數據的不斷出現，更新季度 GDP 預測。
最近，還引入了反向 MIDAS 模型（連結到一個這樣的模型），但在我看來，它們就像是具有滯後值且用途有限的良好舊回歸的包裝器。