Karma chastotali moliyaviy ma'lumotlarni modellashtirish va prognozlash

Menga kimdir menga yo'l-yo'riq berishi mumkinligini qiziqtirgan edim. Men hohlardimki

  1. Aralash chastotalarning turli xil moliyaviy ma'lumotlarini birlashtirish (har kuni, haftalik, uch oyda bir marta) kompozit indeksga. Men o'qiganman MIDAS haqida, lekin bu past chastotaga yuqori chastotali ko'rinadi. Ehtimol, u yerda biror narsa yo'qolgan.

  2. Qo'shma chastota ma'lumotlarini ishlatib, vaqt seriyasining oylik prognozlarini taxmin qiling (Yuqoridagi kabi).

3

2 javoblar

MIDAS is useful when you have a low frequency series and you want to include high frequency data in the regression. So for instance, if you want to forecast quarterly GDP data and want to include daily S&P 500 data as a regressor instead of just using the quarter end value of S&P 500.

Usually we assume that the causality runs from S&P 500 to GDP. It becomes trickier when you start thinking about the impact of lagged GDP on S&P 500. You can usually get away with some kind of ad hoc adjustment like filling in the GDP growth rate for each daily period as equal to the quarterly growth rate, but it won't necessarily capture the relationship properly.

Kalman Filters kabi davlat makon usullari aralash ma'lumotlar ketma-ketligini qo'llashda yana bir keng tarqalgan yondashuv. Philly Fed-ning ADS biznes shartlari indekslari va NowKutingdagi adabiyotlar bulardan foydalanadi. Bu katta, murakkab adabiyot, ehtimol, xulosa chiqarish uchun kichik postning orqasida. Yondashuvning umumiy ma'nosiga erishish uchun ular ma'lumotlar etishmayotgan deb hisoblashadi va yo'qolgan ma'lumotlarni hisobga olgan holda parametrlarni baholash uchun Kalman Filtersdan foydalanishadi.

Another approach is to use a combination of forecasting models. In the above S&P 500 and GDP example, you could use a daily forecasting model that includes GDP and a quarterly forecasting model that includes it. You can use the daily model to forecast iteratively out for the remainder of the quarter and then use the quarterly model thereafter. This approach could be made significantly richer with monthly models, etc.

Sizning ikkinchi savolingizga kelsak, ushbu modelni baholash qiyin bo'ladi. Modeldagi modelni yaratganingizdan so'ng uning parametrlarini kiritishingiz mumkin, prognozlash odatda sodda.

4
qo'shib qo'ydi
Juda to'g'ri. NowKuting haqidagi adabiyotlardan foydalanish og'irlikni keltirib chiqaradi, bu esa asosiy omil modeliga ega (PCA yordamida). Bu ishni bajarish uchun qo'shimcha chora-tadbirlar talab qilishi mumkin, ammo siz boshlashingiz mumkin bo'lgan keng ko'lamli prognozlarga qiziqasiz. Prognozlash modellarini birlashtiradigan bo'lsak, bu men ishlatgan hissiyotlardan ko'proq narsani anglatadi. Ehtimol: ec.europa.eu/eurostat/documents/3888793/5838289/… yoki elib.mi.sanu.ac.rs/files/journals/yjor/15/yujorn15p103-109.p‌ df Foydali bo'lardi
qo'shib qo'ydi muallif John, manba
@qfd Programlama misolini bilmayman.
qo'shib qo'ydi muallif John, manba
Sizning javobingiz uchun juda minnatdormiz. Kalman Filtr bilan topilgan muammoni agar parametrlarni ko'paytirishni talab qiladigan ko'plab ma'lumotlar seriyasi mavjud bo'lsa. Sizda prognozlash modellarini birlashtiruvchi adabiyot mavjudmi?
qo'shib qo'ydi muallif lee kwot sin, manba
Jonga rahmat. R yoki matlabdagi prognozlash modellarini birlashtiruvchi misolga egamisiz yoki meni misol orqali ishlashim mumkin bo'lgan narsaga ishora qilsangiz, qiziqtirgan bo'lardim.
qo'shib qo'ydi muallif lee kwot sin, manba

Ikkinchi savolga javob berish uchun: Men bir nechta narsalarni qildim. Men natija haqida ko'p narsalarni o'ylamaganimda, faqat tekis chiziq interpolatsiyasini oldim yoki egriga moslashtirdim, masalan har oyda har chorakda. Men g'amxo'rlik qilgandan so'ng, bu juda ko'p ish bo'ldi, men quyi chastota seriyasiga o'xshash oylik yoki haftalik ketma-ketlikni topdim va past chastotalarni yaratish uchun yuqori chastota ma'lumotidagi o'zgarishlarni ishlatdim. Misol uchun, men buni qilmaganman, ammo misol uchun siz haftalik talabnomalar sonidagi o'zgarishlardan foydalanib, oylik raqamdan haftalik ishsizlik darajasi yaratishingiz mumkin.

1
qo'shib qo'ydi
MIDAS haqida chiziqni olib tashlash va juda dangasa bo'lishingiz mumkinmi?
qo'shib qo'ydi muallif John, manba
Ha, bu yaxshi fikrdir, lekin past chastotali ma'lumotlarni oldindan aniqlash uchun qanday yuqori chastota ma'lumotlarni ishlatish kerakligini tushunish qiyinlashadi.
qo'shib qo'ydi muallif lee kwot sin, manba