Resumen de Bayesian Decision Analysis For Benchmarking Daily And Monthly Time Series

José Antonio Sanz Gómez, José Luis Rojo García

• español

  En el análisis de series temporales económicas, suele ser necesaria la desagregación diaria de series mensuales al ajustar series financieras (opciones sobre acciones, swaps, hipotecas u otros préstamos). Los métodos estadísticos clásicos de desagregación sólo permiten estimar series trimestrales o mensuales y sólo pueden aplicarse cuando la alta frecuencia es un múltiplo regular de la baja frecuencia. Por tanto, no hay soluciones para las series financieras habituales. Ello evidencia la necesidad de desarrollar herramientas y métodos para series de mayor frecuencia (diaria o seminal). En este trabajo se obtiene el primer método conocido para utilizar indicadores diarios, teniendo en cuenta el diferente número de días de cada mes. El método bayesiano (normal-gamma) propuesto puede emplear varios indicadores para el modelo de verosimilitud, obteniendo además una solución limpia (no iterativa) para la estimación óptima de series diarias. También es importante observar que el modelo incluye un mecanismo de corrección para los indicadores volátiles, como suele ocurrir en los problemas relacionados con áreas pequeñas. La metodología, en la línea de las especificaciones normal-gamma, permite construir intervalos de credibilidad bayesiana para las series estimadas. 

• English

  In Business Time Series analysis, daily disaggregation of monthly time series is often needed when adjusting financial series (stock options, swaps, mortgages or other loans). The classical stochastic adjustment methods only allow quarterly or monthly benchmarks to be estimated and can only be applied when high frequency is a regular multiple of low frequency. Thus, they fail to offer solutions for such problems, thereby evidencing the need to develop tools and methods for high-frequency series (daily or weekly ones). This paper obtains the first known method for using daily indicators, taking into account the different number of days for each month. The proposed Bayesian (normal-gamma) method can employ several indicators for the likelihood model, also obtaining an explicit (non iterative) solution for the optimal estimate of high frequency series. It is also important to observe that the model includes a correction mechanism for volatile indicators, as is often found in benchmarking problems for small areas. The methodology, in the line of normal-gamma specifications, allows Bayesian Credibility intervals for the estimated daily series.