基于筛自助法与时态更新的日内金融时间序列预测
统计方法学
2023-05-29 v1 应用统计
摘要
日内金融数据常表现为随时间顺序观测到的一组曲线，例如日内股票价格曲线。这些曲线可视为在等距稠密网格上观测到的函数时间序列。由于维数灾难，高维数据在统计方面带来挑战；但也提供了分析丰富信息源的机会，从而能更好地理解短时间区间内的动态变化。我们考虑 Paparoditis 与 Shang（2022）的筛自助（sieve bootstrap）方法，以无模型方式构建提前一天的点与区间预测。随着新数据的顺序观测，我们还实施了两种动态更新方法，以更新点与区间预测从而提高精度。该预测方法通过对 S&P/ASX 全部普通股指数的 5 分钟累积日内收益进行实证研究得以验证。
引用
@article{arxiv.2305.16531,
title = {Forecasting intraday financial time series with sieve bootstrapping and dynamic updating},
author = {Han Lin Shang and Kaiying Ji},
journal= {arXiv preprint arXiv:2305.16531},
year = {2023}
}
备注
25 pages, 10 figures, 2 tables