Qué es la regresión lineal
La regresión lineal es una técnica estadística para modelar la relación entre una o más entradas (a menudo llamadas características) y una salida (una variable objetivo). La idea definitoria es que el modelo expresa la salida como una combinación lineal de las entradas.
En el caso más simple, con una entrada x y una salida y, el modelo se escribe típicamente como:
- y ≈ b0 + b1·x
Aquí, b0 es una intersección y b1 es una pendiente. “Lineal” se refiere a la forma en que los parámetros entran en la ecuación (b0, b1, etc.), no necesariamente a la forma de la relación entre variables del mundo real. Con más entradas, el mismo principio se extiende a múltiples características.
En la investigación de forex, la regresión lineal se utiliza a menudo como una herramienta descriptiva o analítica—por ejemplo, para estimar cómo un conjunto de variables explicativas se asocia con un resultado medido. También se puede utilizar para formar un “modelo de cambio esperado” de referencia cuando esas variables tienen alguna relación estadística estable.
Cómo funciona la regresión lineal
La regresión lineal tiene un flujo de trabajo claro: elegir variables, ajustar parámetros y evaluar el ajuste.
1) Elegir entradas y una salida
Usted decide qué variable desea explicar (la salida) y qué variables utilizará como predictores (entradas). Por ejemplo, su salida podría ser un rendimiento futuro u otra serie derivada, mientras que sus entradas podrían ser valores pasados o transformaciones de observaciones del mercado.
Un punto práctico clave es que las decisiones de procesamiento de datos de forex importan: rendimientos vs. precios, qué tan atrás van las entradas y cómo alinea el tiempo (para evitar usar información que no habría estado disponible en el momento de la predicción).
2) Ajustar parámetros minimizando el error de predicción
Un enfoque común es el de mínimos cuadrados ordinarios (OLS, por sus siglas en inglés). OLS selecciona los parámetros (como b0 y b1) de modo que se minimice la suma de las diferencias al cuadrado entre las salidas observadas y las predicciones del modelo.
- El error de predicción para cada punto de datos es el valor observado menos el valor predicho.
- Los errores al cuadrado penalizan los errores más grandes con mayor fuerza.
El resultado es un conjunto de coeficientes que definen la ecuación ajustada.
3) Interpretar los coeficientes con cuidado
Los coeficientes pueden interpretarse como asociaciones bajo los supuestos del modelo. En el caso de una sola entrada, la pendiente b1 indica cuánto cambia la salida predicha en promedio por un aumento de una unidad en x, manteniendo fija la estructura del modelo.
Con múltiples entradas, los coeficientes reflejan el ajuste lineal del modelo entre esos predictores. Sin embargo, en datos de mercado reales, los predictores pueden estar correlacionados entre sí, lo que puede hacer que las interpretaciones de coeficientes individuales sean menos estables.
4) Evaluar el rendimiento y la generalización
Un “buen ajuste” en los mismos datos utilizados para estimar los parámetros no garantiza su utilidad en datos nuevos. Las ideas de evaluación comunes incluyen:
- Comprobar qué tan bien predice el modelo valores no utilizados durante el ajuste (pruebas fuera de la muestra).
- Utilizar medidas de error apropiadas para la escala del objetivo.
Debido a que las relaciones del mercado pueden cambiar, la estrategia de validación es crucial. Sin ella, la ecuación ajustada puede reflejar ruido en lugar de un patrón persistente.
Limitaciones y riesgos en un entorno de mercado adaptativo
La regresión lineal a menudo se presenta como sencilla, pero varias limitaciones importan con frecuencia en finanzas.
1) Linealidad y especificación errónea del modelo
La regresión lineal supone que la salida esperada cambia linealmente con las entradas (dentro de las definiciones de características elegidas). Si la relación verdadera es no lineal, el modelo lineal puede omitir estructura de manera sistemática.
En la práctica, esto puede llevar a patrones residuales (errores que no están dispersos aleatoriamente) y a un ajuste excesivamente optimista si se evalúa solo dentro de la muestra.
2) Sensibilidad a supuestos y condiciones de los datos
El ajuste por OLS depende implícitamente de condiciones estadísticas (como un patrón de varianza estable y sin estructura de error sistemática). Si esas condiciones se violan, las estimaciones de coeficientes y la incertidumbre pueden ser engañosas.
En datos de mercado, la volatilidad puede cambiar con el tiempo, pueden ocurrir valores atípicos y las relaciones pueden derivar. Estos efectos pueden reducir la fiabilidad incluso cuando la regresión parece “funcionar” durante un período de muestra.
3) Sobreajuste y correlaciones espurias
Cuando se utilizan muchas características o cuando el conjunto de características se ajusta repetidamente al comportamiento histórico, el modelo puede capturar patrones que no se generalizan. Incluso con menos características, las correlaciones espurias son posibles porque las series temporales financieras son ruidosas.
Para reducir este riesgo, se necesita una validación disciplinada: pruebas con datos reservados, alineación temporal cuidadosa y evitar la fuga de información futura.
4) No estacionariedad y cambios de régimen
Las condiciones del forex pueden cambiar: la liquidez, la volatilidad y los impulsores de comportamiento pueden diferir entre períodos. Una relación lineal estimada en un período puede no seguir siendo válida.
Esto no es un defecto exclusivo de la regresión lineal; es un riesgo general de aplicar cualquier modelo estadístico a sistemas no estacionarios. Aun así, la regresión lineal puede fallar silenciosamente: puede seguir produciendo una salida numérica incluso cuando la relación subyacente se ha debilitado.
5) Usar las salidas para investigación—no como predicciones de resultados
La regresión proporciona una estimación de una asociación bajo el modelo seleccionado. No define inherentemente certeza sobre movimientos futuros del mercado.
Si trata la salida de la regresión como garantizada o determinista, ignora la incertidumbre reflejada en los términos de error y la inestabilidad del proceso generador de datos.
Cómo verificar si la regresión lineal es razonable para su uso
Una mentalidad de verificación práctica puede ayudarle a juzgar si la regresión está describiendo algo útil.
Primero, compruebe si los residuos (las diferencias entre los valores observados y los predichos) se comportan como ruido en lugar de contener estructura consistente. Segundo, pruebe el rendimiento en datos que no se utilizaron para el ajuste, idealmente respetando el orden temporal.
Tercero, realice comprobaciones de robustez: varíe las definiciones de características dentro de límites razonables, confirme que los resultados no dependen de una sola elección de preprocesamiento y busque estabilidad en diferentes ventanas de tiempo.
Finalmente, documente los supuestos: cuál es el objetivo, cómo se construyen los predictores y cómo se realiza la validación. Esto permite verificar de forma independiente las afirmaciones sobre el comportamiento del modelo en la misma configuración.
Comparación con ideas lineales estrechamente relacionadas
La regresión lineal está estrechamente relacionada con otros modelos lineales que también forman una relación lineal entre entradas y salidas. Por ejemplo, los modelos lineales que incluyen regularización aún se basan en una estructura de parámetros lineal, pero modifican el objetivo de ajuste para controlar la complejidad.
Incluso con tales variantes, las mismas preguntas centrales permanecen:
- ¿Es apropiada la representación elegida para la relación?
- ¿Se generaliza el modelo a datos nuevos?
- ¿Son los resultados estables a lo largo del tiempo y las elecciones de preprocesamiento?
En términos de investigación de forex, la “salida” del método siempre está condicionada a la configuración del modelo, y la incertidumbre es inevitable.
Límites que puede evaluar de forma independiente
Por lo general, puede evaluar lo siguiente sin depender de afirmaciones de proveedores o del comportamiento específico de un bróker:
- Si la regresión reduce el error en relación con una línea base simple.
- Si el rendimiento fuera de la muestra es significativamente mejor que las expectativas de nivel de azar.
- Si la relación se mantiene en múltiples períodos de tiempo.