Dalam Kondisi Pasar Apa Regresi Linear Berperilaku Berbeda?
Jawaban langsung
Regresi linear dapat “berperilaku berbeda” di berbagai kondisi pasar ketika pola yang Anda coba pasang tidak stabil, tidak berbentuk garis, atau tidak terdeskripsikan dengan baik oleh asumsi di balik regresi (misalnya: kekuatan hubungan yang konsisten, varians yang kurang lebih konstan, dan tidak adanya outlier yang sistematis). Ketika asumsi-asumsi tersebut melemah, garis yang dipasang mungkin masih menghasilkan angka, tetapi angka tersebut menjadi lebih sulit untuk diinterpretasikan, dibandingkan antar jendela waktu, atau diandalkan sebagai alat penjelas.
Artikel ini hanya bersifat informasional. Artikel ini tidak memperkirakan harga, memberikan sinyal trading, atau menjanjikan kinerja. Sebaliknya, artikel ini menjelaskan kapan mekanisme regresi yang sama menghasilkan hasil yang berbeda secara signifikan.
Mekanisme atau definisi
Regresi linear adalah metode statistik yang memperkirakan garis (atau hubungan linear) yang paling sesuai dengan data yang diamati dengan meminimalkan kesalahan kuadrat. Dalam bentuk sederhana, Anda memasang model seperti:
- Hasil = intersep + (kemiringan × prediktor) + kesalahan
“Perilaku” berubah ketika proses yang menghasilkan data berubah:
- Jika hubungan yang sebenarnya kira-kira linear dan stabil, kemiringan dan pola residual cenderung konsisten.
- Jika hubungannya lemah, berubah seiring waktu, atau non-linear, kemiringan yang dipasang dapat bervariasi secara substansial antar sampel, bahkan jika Anda menggunakan metode yang sama.
Penting untuk memisahkan mekanisme yang stabil dari kondisi yang bervariasi:
- Mekanisme stabil: bagaimana garis dipasang (kuadrat terkecil) dan apa yang diwakili oleh residual (perbedaan antara observasi dan garis yang dipasang).
- Kondisi yang bervariasi: seberapa dapat diprediksi hubungannya, seberapa berisik data, apakah ada pergeseran rezim, dan apakah fitur Anda benar-benar berhubungan secara linear dengan hasil yang dipilih.
Bukti atau contoh (perbandingan bersyarat)
Pertimbangkan dua cara hipotetis di mana proses pasar dapat berbeda, dan bagaimana hal itu mengubah apa yang “dilakukan” regresi linear dalam praktiknya.
- Stabilitas hubungan vs pergeseran rezim
- Kondisi stabil: hubungan antara prediktor dan hasil tetap serupa di seluruh jendela sampel Anda.
- Kondisi berbeda: hubungan berubah (pergeseran rezim). Jika Anda memasang ulang regresi pada jendela sebelumnya vs sesudahnya, kemiringan dapat berbeda, dan residual dapat menunjukkan struktur (misalnya, satu periode di mana kesalahan sebagian besar positif dan periode lain di mana sebagian besar negatif).
- Tingkat noise dan outlier
- Kondisi noise lebih rendah: kesalahan terlihat lebih acak dan memiliki nilai ekstrem yang lebih sedikit.
- Kondisi noise lebih tinggi atau outlier: beberapa titik yang tidak biasa dapat memengaruhi minimasi kesalahan kuadrat secara tidak proporsional. Garis yang dipasang dapat berputar menuju outlier, dan diagnostik berdasarkan residual dapat mengungkapkan ekor yang berat atau penyebaran kesalahan yang tidak konstan.
- Linearitas vs non-linearitas
- Kondisi kira-kira linear: garis yang paling sesuai menangkap sebagian besar pola sistematis.
- Kondisi non-linear: hubungan yang sebenarnya melengkung atau memiliki ambang batas. Regresi dapat mengurangi kesalahan rata-rata, tetapi residual dapat tetap berpola secara sistematis, menunjukkan bahwa satu garis adalah deskripsi yang buruk.
Asumsi penting: contoh-contoh ini tentang interpretasi dan perilaku pemasangan, bukan tentang memprediksi nilai masa depan. Hubungan historis tidak menjamin hasil masa depan.
Keterbatasan dan risiko
Setidaknya satu mode kegagalan material adalah ketidakcocokan asumsi:
- Non-stasioneritas: jika hubungan statistik berubah, parameter yang dipasang dapat menjadi bergantung pada waktu. Prosedur regresi yang sama menghasilkan estimasi parameter yang berbeda di berbagai jendela.
- Heteroskedastisitas: jika varians kesalahan berubah seiring waktu, pemasangan kesalahan kuadrat masih menghasilkan garis, tetapi perbandingan dan estimasi ketidakpastian dapat menjadi menyesatkan.
- Multikolinearitas (saat menggunakan banyak prediktor): prediktor yang bergerak bersama dapat membuat koefisien yang dipasang menjadi tidak stabil—perubahan kecil pada data dapat menyebabkan perubahan koefisien yang besar.
- Overfitting pada sampel terbatas: dengan banyak fitur atau jendela pendek, model dapat menyesuaikan noise, membuat diagnostik pada periode pelatihan terlihat lebih baik dari yang diharapkan.
Risiko verifikasi: bahkan jika regresi cocok secara historis, biaya dan gesekan eksekusi dapat memengaruhi apa yang sebenarnya dapat dicapai. Gesekan tersebut tidak secara otomatis ditangkap oleh kecocokan statistik pada harga saja. Selain itu, hasil bergantung pada apa yang Anda pilih sebagai prediktor dan hasil (definisi variabel Anda), yang dapat secara material mengubah hasil regresi.
Karena pasar tidak pasti, Anda harus memperlakukan keluaran regresi sebagai deskripsi empiris dari kumpulan data dan jendela waktu tertentu, bukan sebagai aturan yang kuat dan dijamin.
Verifikasi atau pertanyaan lanjutan
Untuk memverifikasi secara independen apakah regresi linear “berperilaku berbeda” dalam kondisi Anda, fokuslah pada properti yang dapat diamati dari kecocokan:
- Bandingkan parameter yang dipasang dan pola residual di beberapa jendela waktu.
- Periksa apakah residual terlihat acak daripada terstruktur.
- Nilai apakah variabilitas kesalahan tampak stabil atau berubah.
- Perkirakan ulang setelah menyesuaikan definisi fitur untuk menguji sensitivitas.