時間序列
來自不連續數據系列的 ARIMA 模型係數
股票價格在整週或全天都不是靜止的過程。例如，EURGBP 在歐洲夜間的波動性很小，但由於市場流動性，在工作時間的變化更加動態。
我想收集歷史數據（間隔 15 分鐘），計算 ARIMA 係數並在 R 中獲得預測。但如果我只在白天交易，那麼包含夜間數據是沒有意義的。
那麼，是否可以基於不連續的數據系列（如周一 10:00 - 16:00、週二 10:00 - 16:00、週三 10:00 - 16:00 等）創建 ARIMA 模型？如何合併這些數據以最小化錯誤（從周二 10:00 開始的價格事實上不是周一 16:00 之後的下一個價格）？
但是，如果我只在白天交易，那麼包含夜間數據是沒有意義的。
這種想法似乎是計量經濟學和相關領域的初學者常見的謬誤（不是個人的）。您必須區分問題的兩個要素：
- 了解時間序列是如何發展的（例如通過為其建立模型）；
- 利用您的理解來找出這種發展的功能（例如，對特定時間段的預測）。
想一個類比：如果真正的模型是 $$ y=\beta_0+\beta_1 x_1 + \beta_2 x_2 + u $$ 而你只對 $ \beta_0 $ 和 $ \beta_1 $ 但不是 $ \beta_2 $ , 你最好還是估計一下 $ \beta_0 $ 和 $ \beta_1 $ 來自真實模型而不是子模型$$ y=\beta_0 + \beta_1 x_1 + v. $$ 您對完整模型的估計會更準確，如果 $ x_1 $ 與（高度）相關 $ x_2 $ .
現在回到你原來的問題：如果晚上的時間序列發展與白天的發展完全無關，你可以忽略夜間時間。但很可能這種關係是存在的，所以最好解釋一下。換句話說，我會在不走捷徑的情況下依次解決您問題的兩個核心要素。