全面披露！我不了解金融/经济，所以为我的无知提前道歉。但我发现这个问题比金融更广泛。分析不规则采样数据出现在许多其他领域，例如生物学和医学。自回归（AR）等经典方法的缺点之一是它们在处理不规则采样数据方面的弱点。然而，这个问题可以通过高斯过程（GPs）来解决。例如在这里或这里使用它。

传统上，我们不担心非交易日，并将其视为有规律的间隔数据。但是，您必须担心两种可能的影响。

首先是时间对动量的影响以及与领先指标的相互作用。如果你有一个滞后变量是一个很好的领导者——假设它是平均温度——那么你的一些数据点将滞后到第二天（星期五 -> 星期四），而其他数据点将滞后三天（星期一 -> 星期五）。因此，可能会出现虚假结果。

第二个问题是市场关闭时发生的活动。下班后交易、期权定价等。如果这些是一个因素，您最好计算一个有规律的间隔时间序列，并以其他方式插值或考虑非交易日。