建模
混合頻率財務數據的建模和預測
我想知道是否有人可以為我提供一些指導。我想
- 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。
- 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。