如何為非流動性股票的時間序列建模 - 每 8 小時 400 次觀察（交易）？
如何為非流動性時間序列建模 - 每 8 小時 400 次觀察（交易）？是否有適合這種情況的模型，不僅包含交易規模，還包含交易時間？（或者可能包含甚至交易量）
我將在接下來的兩天內對此進行編輯，並提供一些關於我所知道的不規則間隔時間序列模型的詳細資訊，但也許有人僅根據以下評論給出了有趣的觀點。
好的，我將在接下來的兩天內添加更多細節（從統計和計量經濟學方面），但現在我不得不說一點關於模型的目標。有一個股票指數（稱為 X20）基於 8 個流動性（每 8 小時約 2200 筆交易）和 12 個（每 8 小時約 200-400 筆交易）非流動性股票的行為，並且有基於此的衍生品（期貨 - FX20）股票指數。我需要為 FX20 建立“警告系統”，並且我想使用這 20 隻股票的數據來創建它——更不用說其他僅基於 FX20/X20 時間序列的方法了。這 12 隻流動性較差的股票約佔指數價值的 35%，對於這 8 隻流動性股票來說 在季節性分解（流動性股票的數據表現出嚴格的 U 形每日波動模式）或移動平均線之後，使用常見的計量經濟學技術 GARCH/VAR 很容易產生時間序列（間隔 1-5 分鐘）的結果。目標是為交易系統產生信號的警告系統，在這一點上，我不知道來自該警告系統的信號是否會成為趨勢反轉的良好指標，或者可能用於發現交易系統異常市場活動的時期做得不好。而我是 不知道來自該警告系統的信號是否會成為趨勢反轉的良好指標，或者可能用於發現交易系統表現不佳的異常市場活動時期。而我是 不知道來自該警告系統的信號是否會成為趨勢反轉的良好指標，或者可能用於發現交易系統表現不佳的異常市場活動時期。而我是對發現指數值大幅波動之前的時期特別感興趣。這一切我想用 20 隻股票的數據來做。對於 12 只非流動性股票的活動同步增加 - 交易間隔時間縮短、交易量增加、價格波動增加、價格變化相關性增加是某種運動即將發生的跡象，現在如何量化它是否從統計角度來看異常視野（在 5 分鐘的時間範圍內） ? 鬆散地說，從統計的角度來看，如果我們需要極不可能實現隨機變數來適應新數據，那是不正常的。
從學術角度來看，您沒有太多選擇：
- Rosenbaum-Robert 方法，具有不確定性區域的價格模型是交易和交易之間持續時間的模型（隱式）。值得一試。
- 您也可以使用Hawkes 過程，它可以很好地捕捉交易中的集群效應。
- 如果您想使用相關性/依賴性測量，您將面臨Epps 效應，因此您應該閱讀至少一篇關於該主題的 Yoshida 論文。
現在，如果您想走得更遠，您還應該查看非流動性股票的報價。您可能會找到一種方法來使用第一個限制來建構合成價格，如果很快就會對非流動性股票進行交易，您可以在下一次交易中獲得價格的代理。在order-flow 的觀點上可能是有用的。Rama Cont 和 Adrien de Larrad關於這個主題有一套非常好的論文。