Regresión lineal en Forex: definición y qué intenta hacer
La regresión lineal es un método estadístico utilizado para modelar la relación entre una variable (la variable dependiente) y una o más variables (las variables independientes). “Lineal” se refiere a que el modelo es una función de línea recta de las entradas, no a la idea de que el mercado en sí se mueve en línea recta.
En el análisis relacionado con Forex, las personas pueden aplicar la regresión lineal a series temporales históricas, como:
- niveles de precios (por ejemplo, el precio logarítmico de un par de divisas)
- rendimientos o diferencias (por ejemplo, rendimientos logarítmicos)
- características explicativas derivadas de otros datos (por ejemplo, valores rezagados)
Un punto clave es la separación entre mecánica y expectativas: el método estima parámetros que describen cómo los datos pasados se alinean con una relación lineal. No proporciona inherentemente predicciones seguras sobre precios futuros.
La mecánica: forma del modelo, entradas y secuencia de estimación
1) Elegir la variable dependiente y las variables independientes
Para aplicar la regresión lineal, primero se especifica lo que se intenta explicar. Por ejemplo, con una variable independiente X y una variable dependiente Y, la forma básica es:
Y = a + bX + ε
- Y es la variable dependiente (lo que se mide).
- X es la variable independiente (lo que se usa para explicar Y).
- a es la intersección.
- b es la pendiente (cuánto cambia Y en promedio por un cambio de una unidad en X).
- ε es el término de error (la parte de Y no explicada por la línea).
En contextos de Forex, X e Y se construyen a partir de datos de mercado y cualquier característica que se decida utilizar. Las opciones comunes incluyen usar valores rezagados como X (por ejemplo, usar el rendimiento del período anterior para explicar el rendimiento del siguiente período), pero la elección exacta es un supuesto que se debe declarar.
2) Recopilar observaciones históricas y alinearlas en el tiempo
La regresión lineal espera observaciones pareadas. Si se utilizan series temporales, se debe decidir cómo alinear las marcas de tiempo. Por ejemplo, si Y es el “rendimiento del próximo período”, entonces X debe calcularse a partir del “período actual” (o anterior) para no usar accidentalmente información futura.
Esta decisión de alineación es importante porque los errores pueden cambiar la relación estimada.
3) Estimar los parámetros (a y b)
Un enfoque estándar es el de mínimos cuadrados ordinarios (OLS), que elige a y b para minimizar la suma de los errores al cuadrado:
min Σ( Yi − (a + bXi) )²
Conceptualmente, OLS encuentra la línea recta que hace que las desviaciones verticales entre los valores observados de Y y la línea sean lo más pequeñas posible, en el sentido de mínimos cuadrados.
Las estimaciones de los parámetros dependen de:
- los datos que se introducen (la muestra)
- cómo se escalan y transforman las variables
- si se incluye una intersección
- la presencia de valores atípicos y períodos inusuales
4) Calcular los valores ajustados y los residuos
Una vez estimados los parámetros, se calculan:
- valores ajustados: Ŷi = a + bXi
- residuos: ei = Yi − Ŷi
Los residuos muestran lo que el modelo no logró explicar para cada observación. Los residuos grandes indican momentos en los que la relación lineal no capturó el movimiento observado.
5) Evaluar el ajuste del modelo (dentro de la muestra) y la incertidumbre
Normalmente se utilizan métricas de ajuste como:
- R² (cuánta varianza en Y es explicada por el modelo lineal)
- medidas de error (por ejemplo, error cuadrático medio)
Sin embargo, un alto ajuste dentro de la muestra no implica automáticamente un buen rendimiento fuera de la muestra. En series temporales, las relaciones pueden cambiar.
Evidencia y lógica de ejemplo que se puede verificar de forma independiente
Una estructura de ejemplo trabajado (sin asumir “ventaja predictiva”)
Supongamos que se tiene un conjunto de N observaciones alineadas de datos históricos de Forex. Se define:
- Y como el rendimiento del próximo período
- X como el rendimiento del período actual
Luego se calculan X e Y para cada paso de tiempo, produciendo pares (Xi, Yi) para i = 1…N. Con esos pares:
- estimar a y b usando OLS
- obtener los valores predichos Ŷi
- calcular los residuos ei = Yi − Ŷi
- medir el error y/o R² en los mismos datos
Para verificar los resultados de forma independiente, se pueden volver a ejecutar los cálculos usando las mismas series de entrada y transformaciones. Si los coeficientes estimados cambian mucho al cambiar la ventana de muestra, esa es una señal importante de que la relación es inestable.
Por qué la “relación lineal” no es lo mismo que causalidad
Incluso cuando la regresión encuentra una asociación lineal estadísticamente medible, no prueba que X cause Y. En los datos de Forex, muchos efectos se superponen (publicaciones macroeconómicas, cambios en el sentimiento de riesgo, cambios de liquidez). Los parámetros de regresión resumen patrones de correlación bajo el modelo elegido, no un impulsor garantizado.
Limitaciones materiales y modos de fallo en contextos de Forex
1) No estacionariedad y cambios de régimen
Las series temporales de Forex pueden cambiar debido a las condiciones del mercado. La regresión lineal supone que la relación estimada es significativa para la muestra observada. Si la relación subyacente cambia con el tiempo, los coeficientes estimados a partir de datos pasados pueden dejar de describir el comportamiento posterior.
2) Especificación incorrecta del modelo
Un modelo de línea recta puede ser demasiado simple. Incluso si la relación “promedio” parece lineal, la relación real podría ser:
- no lineal
- variable en el tiempo (parámetros que cambian)
- dependiente de variables que no se incluyeron
Si el modelo está mal especificado, los residuos a menudo muestran patrones sistemáticos, lo que significa que el modelo es estructuralmente incompleto.
3) Autocorrelación y errores dependientes
En series temporales, los residuos pueden estar correlacionados a lo largo del tiempo. Muchas interpretaciones clásicas de inferencia para la regresión dependen de supuestos sobre el término de error. Si los errores están autocorrelacionados o son heterocedásticos, las estimaciones de incertidumbre (por ejemplo, los errores estándar) pueden ser engañosas.
4) Sobreajuste con muchas características
Si se expande a múltiples variables independientes (regresión múltiple), el modelo puede ajustar el ruido en el período de entrenamiento, especialmente con datos limitados. En Forex, “más características” puede aumentar el ajuste aparente mientras empeora la generalización.
5) Calidad de los datos y elecciones de transformación
Diferentes elecciones—usar niveles de precios vs rendimientos, transformaciones logarítmicas vs aritméticas, longitudes de ventana y manejo de valores atípicos—pueden cambiar materialmente los resultados. Debido a que la regresión es sensible al escalado y la composición de la muestra, se deben mantener las transformaciones explícitas.
Cómo verificar afirmaciones sobre los resultados de la regresión lineal
Comprobar los supuestos y la reproducibilidad
Para verificar de forma independiente si un análisis de regresión lineal es coherente, hay que centrarse en:
- si X e Y están alineados correctamente en el tiempo
- si las transformaciones se definieron explícitamente
- si los residuos parecen aleatorios en lugar de estructurados
- si los coeficientes permanecen relativamente estables en diferentes ventanas históricas
Distinguir la “variación explicada” de la “predicción”
Ayuda etiquetar los resultados correctamente:
- La regresión proporciona valores ajustados y residuos para la muestra y una descripción del modelo.
- Predecir el Y futuro requiere una validación adicional más allá del ajuste dentro de la muestra.