時間序列或回歸
我想研究某些事件和特徵隨著時間的推移對股票流動性的影響。我有 200 隻股票的樣本，我使用了幾種流動性指標（Amihud、買賣價差等）。我有大約 5000 個交易日，數據包含所有感興趣的值。
例如，我製作了一個公司的公司治理指數，允許它有一個從 1 到 10 的分數。或者我有一個變數來表示該公司的媒體報導。當然還有市值、流通股數量、自由流通量、價格等。
我猜我的第一個任務是模擬/測量沒有發生某些事件的“正常流動性”。
這只是帶有很多控制變數的回歸還是時間序列分析？或組合……我應該如何開始？歡迎任何介紹性資源。
絕對是時間序列分析。您本質上想要做的是某種形式的影響分析。這可以使用向量自回歸模型等多元時間序列模型自然地完成。此外，在使用數據對流動性建模時，您可能需要使用一些專門的程序，例如 GARCH 和 ACD。此外，還有一些方法可以對非平穩性進行建模，並且還可以對非線性進行擴展。絕對是時間序列分析。
斷點方法
基於測試
要在金融計量經濟學期刊中獲得好評，您需要基於測試的方法。根據您的問題，通常會看到線性回歸（最小二乘），其中疑似破壞的參數與指標函式相互作用 $ I(E) $ 在哪裡 $ E $ 是有問題的事件；此函式假定一個單位值時 $ E $ 發生。這幾乎總是外生指定的；參見例如傳染病文獻。
這不太常見，但在某些應用程序中，您需要 VAR 或 VECM。您將需要查看 Joyeux (2007) 以了解 VECM 框架內的各種基於測試的破壞模型。請注意，您的模型的數據生成過程將受到限制，僅僅是因為許多替代方案的漸近性尚未得到解決——這在邏輯上是從最近的 Johansen 框架以及 VAR/VECM 與完全線性單一方程的複雜性得出的楷模。查看不同狀態下模型的脈衝響應函式可能會很有趣。
內生方法也屬於基於測試的方法。這里通常分析完整模型的殘差並確定殘差在統計上“大”的時間位置。
另一種典型的方法是圍繞事件擬合市場模型，並對累積異常收益進行測試。關於如何在這種情況下獲得無偏的檢驗統計量，有令人生畏的深度文獻。您可能想查看 Sefcik 和 Thompson 的 1980 年代論文以及該論文的 GLS/WLS 衍生品。它們提供了一個虛擬斷點框架，該框架在統計上等同於 CAR 方法，並且在我看來更具可解釋性。
其他途徑：
- 傳染病文學（真正巨大的）。
- 金融一體化文獻（股票和債券市場）。
非基於測試
這些更難發表：事件研究基本上需要測試。但是，要真正全面地了解正在發生的事情——在我看來，這比在所有現實世界的應用程序中的測試要好得多——對於事件周圍的所有時間序列，請查看你的時間序列的功率譜。這是通過點擊
biwavelet包中的一個按鈕完成的R（大約還有 10 個其他按鈕）。這是為了定性理解 - 沒有官方測試來自於此。因此，它不太可能發表（除非您要尋找諸如 Physica A 之類的經濟物理學期刊，在那裡您可能找不到經濟學家審稿人）。