¿Bajo qué condiciones de mercado se comporta de manera diferente la regresión lineal?

Respuesta directa

La regresión lineal puede “comportarse de manera diferente” según las condiciones del mercado cuando el patrón que intentas ajustar no es estable, no tiene forma lineal o no está bien descrito por los supuestos que subyacen a la regresión (por ejemplo: fuerza de relación consistente, varianza aproximadamente constante y ausencia de valores atípicos sistemáticos). Cuando esos supuestos se debilitan, la línea ajustada puede seguir produciendo un número, pero ese número se vuelve más difícil de interpretar, comparar entre ventanas de tiempo o utilizar como herramienta explicativa.

Este artículo es solo informativo. No pronostica precios, no proporciona señales de trading ni promete rendimiento. En cambio, explica cuándo el mismo mecanismo de regresión produce resultados significativamente diferentes.

Mecanismo o definición

La regresión lineal es un método estadístico que estima una línea (o relación lineal) que mejor se ajusta a los datos observados minimizando los errores al cuadrado. En su forma simple, se ajusta un modelo como:

• Resultado = intersección + (pendiente × predictor) + error

El “comportamiento” cambia cuando cambia el proceso que genera los datos:

• Si la relación real es aproximadamente lineal y estable, la pendiente y el patrón de residuos tienden a ser consistentes.
• Si la relación es débil, cambia con el tiempo o es no lineal, la pendiente ajustada puede variar sustancialmente entre muestras, incluso si se utiliza el mismo método.

Conviene separar la mecánica estable de las condiciones variables:

• Mecánica estable: cómo se ajusta la línea (mínimos cuadrados) y qué representan los residuos (diferencias entre las observaciones y la línea ajustada).
• Condiciones variables: cuán predecible es la relación, cuán ruidosos son los datos, si hay cambios de régimen y si tus características se relacionan realmente de forma lineal con el resultado elegido.

Evidencia o ejemplo (comparaciones condicionales)

Considera dos formas hipotéticas en que un proceso de mercado puede diferir y cómo eso cambia lo que la regresión lineal “hace” en la práctica.

1. Estabilidad de la relación frente a cambios de régimen

• Condición estable: la relación entre el predictor y el resultado permanece similar a lo largo de tu ventana de muestra.
• Condición diferente: la relación cambia (un cambio de régimen). Si vuelves a ajustar la regresión en ventanas anteriores frente a posteriores, las pendientes pueden diferir y los residuos pueden mostrar estructura (por ejemplo, un período en el que los errores son mayormente positivos y otro en el que son mayormente negativos).

2. Nivel de ruido y valores atípicos

• Condición de menor ruido: los errores parecen más aleatorios y tienen valores menos extremos.
• Condición de mayor ruido o valores atípicos: unos pocos puntos inusuales pueden afectar de manera desproporcionada a la minimización del error al cuadrado. La línea ajustada puede girar hacia los valores atípicos, y los diagnósticos basados en residuos pueden revelar colas pesadas o una dispersión del error no constante.

3. Linealidad frente a no linealidad

• Condición aproximadamente lineal: la línea de mejor ajuste captura la mayor parte del patrón sistemático.
• Condición no lineal: la relación real se curva o tiene umbrales. La regresión puede reducir el error en promedio, pero los residuos pueden permanecer sistemáticamente estructurados, lo que indica que una sola línea es una descripción deficiente.

Supuesto importante: estos ejemplos tratan sobre la interpretación y el comportamiento del ajuste, no sobre la predicción de valores futuros. Las relaciones históricas no garantizan resultados futuros.

Limitaciones y riesgos

Al menos un modo de fallo material es el desajuste de supuestos:

• No estacionariedad: si la relación estadística cambia, los parámetros ajustados pueden volverse dependientes del tiempo. El mismo procedimiento de regresión produce estimaciones de parámetros diferentes entre ventanas.
• Heterocedasticidad: si la varianza del error cambia con el tiempo, el ajuste por errores al cuadrado sigue produciendo una línea, pero las comparaciones y las estimaciones de incertidumbre pueden volverse engañosas.
• Multicolinealidad (cuando se utilizan múltiples predictores): los predictores que se mueven juntos pueden hacer que los coeficientes ajustados sean inestables: pequeños cambios en los datos pueden provocar grandes oscilaciones en los coeficientes.
• Sobreajuste a una muestra limitada: con muchas características o ventanas cortas, el modelo puede ajustar el ruido, haciendo que los diagnósticos del período de entrenamiento parezcan mejores de lo esperado.

Riesgo de verificación: incluso si una regresión se ajusta históricamente, los costos y las fricciones de ejecución pueden afectar lo que realmente es alcanzable. Esas fricciones no se capturan automáticamente mediante un ajuste estadístico solo a los precios. Además, los resultados dependen de lo que elijas como predictor(es) y resultado (tus definiciones de variables), lo que puede cambiar materialmente el resultado de la regresión.

Debido a que los mercados son inciertos, debes tratar el resultado de la regresión como una descripción empírica de un conjunto de datos y una ventana de tiempo específicos, no como una regla sólida y garantizada.

Verificación o siguiente pregunta

Para verificar de forma independiente si la regresión lineal “se comporta de manera diferente” bajo tus condiciones, concéntrate en las propiedades observables del ajuste:

• Compara los parámetros ajustados y los patrones de residuos en múltiples ventanas de tiempo.
• Comprueba si los residuos parecen aleatorios en lugar de estructurados.
• Evalúa si la variabilidad del error parece estable o cambiante.
• Vuelve a estimar después de ajustar las definiciones de las características para probar la sensibilidad.