建模

混合頻率財務數據的建模和預測

  • September 25, 2019

我想知道是否有人可以為我提供一些指導。我想

  1. 將混合頻率(一些每日、每週、一些季度)的各種財務數據組合成一個綜合指數。我一直在閱讀有關 MIDAS 的資訊,但這似乎是高頻到低頻。也許我在那裡遺漏了一些東西。
  2. 使用混合頻率數據預測時間序列的月度預測(類似於上述)。

當您有一個低頻序列並且您希望在回歸中包含高頻數據時,MIDAS 很有用。例如,如果您想預測季度 GDP 數據,並希望將標準普爾 500 指數的每日數據作為回歸量,而不僅僅是使用標準普爾 500 指數的季度終值。

通常我們假設因果關係從標準普爾 500 指數到 GDP。當您開始考慮滯後 GDP 對標準普爾 500 指數的影響時,事情變得更加棘手。您通常可以通過某種臨時調整來擺脫困境,例如將每個每日期間的 GDP 增長率填充為等於季度增長率,但它不一定能正確捕捉到這種關係。

狀態空間方法,例如卡爾曼濾波器,是另一種處理混合數據序列的常用方法。費城聯儲的 ADS 商業狀況指數和關於臨近預報的文獻使用了這一點。這是一篇龐大而復雜的文獻,可能無法通過一篇小文章來概括。為了大致了解該方法,他們假設數據失去,然後使用卡爾曼濾波器在給定失去數據的情況下估計參數。

另一種方法是使用預測模型的組合。在上述標準普爾 500 指數和 GDP 範例中,您可以使用包含 GDP 的每日預測模型和包含 GDP 的季度預測模型。您可以使用每日模型對本季度剩餘時間進行迭代預測,然後在之後使用季度模型。這種方法可以通過每月模型等變得更加豐富。

關於你的第二個問題,困難的部分是估計模型。一旦你建立了模型並估計了它的參數,預測通常很簡單。

引用自:https://quant.stackexchange.com/questions/24575