Bagaimana jangka waktu memengaruhi R Squared?
Jawaban langsung
Jangka waktu memengaruhi R Squared karena perhitungannya menggunakan data dari jendela pengamatan tertentu. Ketika Anda mengubah periode kepemilikan atau jendela waktu, Anda mengubah campuran rezim pasar, jumlah noise, dan cara model menyelaraskan diri dengan apa yang diamati. Akibatnya, R Squared yang dilaporkan dapat meningkat, menurun, atau menjadi tidak stabil.
Mekanisme atau definisi
R Squared (sering ditulis sebagai R²) adalah statistik yang merangkum seberapa banyak variasi dalam variabel dependen yang dijelaskan oleh sebuah model. Dalam pengaturan regresi yang umum, ini terkait dengan rasio variasi yang dijelaskan terhadap total variasi di seluruh titik data yang digunakan.
Jangka waktu berperan karena kumpulan data Anda diberi indeks waktu. Dua cara umum jangka waktu mengubah data adalah:
- Mengubah jendela pengamatan: Anda mungkin menghitung R Squared menggunakan data harian untuk satu bulan versus satu tahun. Jendela yang lebih panjang mencakup lebih banyak episode, sehingga hubungan (jika ada) dirata-ratakan di lebih banyak kondisi.
- Mengubah periode pengambilan sampel/kepemilikan: Anda mungkin membangun return atau perubahan pada horizon yang berbeda (misalnya, menggunakan perubahan satu hari versus perubahan beberapa hari). Seri dependen dan struktur noise berubah, yang mengubah penyelarasan yang dipasang dan karenanya R Squared.
Karena R Squared bergantung pada residual (ketidakcocokan antara nilai yang diamati dan keluaran model), mengubah jangka waktu mengubah pola residual. Itulah alasan inti mengapa sensitivitas terhadap jangka waktu diharapkan.
Dampak skenario: sensitivitas terhadap periode pengamatan dan kepemilikan
Pertimbangkan skenario sederhana di mana sebuah model memprediksi perubahan harga menggunakan beberapa fitur yang diturunkan dari data sebelumnya. Jika Anda menghitung R Squared pada jangka waktu pendek, Anda mungkin menangkap periode di mana model kebetulan selaras dengan pergerakan yang diamati. Pada jangka waktu yang berbeda—terutama yang memiliki keseimbangan berbeda antara tren versus mean-reversion—model yang sama dapat menghasilkan residual yang lebih besar, menurunkan R Squared.
Efek terkait terjadi ketika periode kepemilikan berubah. Periode kepemilikan yang lebih panjang sering kali menghaluskan beberapa fluktuasi harian, tetapi juga dapat memperkuat pergeseran rezim. Horizon pendek mungkin didominasi oleh noise mikro-struktur, dan noise tersebut dapat mengurangi daya penjelas atau meningkatkan kecocokan yang tampak tergantung pada bagaimana model dibangun dan dievaluasi.
Dalam kedua kasus, Anda tidak mengubah properti ajaib dari R Squared itu sendiri; Anda mengubah kumpulan data dan perilaku residual yang dirangkum oleh R Squared.
Keterbatasan dan risiko
Keterbatasan yang material adalah risiko overfitting: R Squared yang lebih tinggi pada satu jangka waktu yang dipilih tidak membuktikan bahwa hubungan tersebut stabil. Ketika jangka waktu dipilih dengan cara yang menguntungkan sampel tertentu, R Squared dapat terlihat kuat bahkan jika model gagal pada data baru.
Mode kegagalan lainnya meliputi:
- Pencampuran rezim: Jendela yang lebih panjang menggabungkan kondisi pasar yang berbeda. Jika hubungan berbeda antar rezim, satu R Squared dapat menutupi kerusakan.
- Non-stasioneritas: Jika properti statistik dari seri berubah seiring waktu, maka pemetaan dari input ke perubahan yang diamati dapat bergeser, membuat R Squared bergantung pada jangka waktu.
- Ketidakcocokan evaluasi: Jika Anda menghitung R Squared pada periode yang sama yang digunakan untuk memilih atau menyetel input, Anda mungkin mendapatkan nilai yang optimis yang tidak dapat digeneralisasi.
Tidak satu pun dari ini menyiratkan bahwa R Squared tidak berguna; itu berarti R Squared bersyarat pada jangka waktu yang dipilih dan metode evaluasi.
Verifikasi atau pertanyaan lanjutan
Karena sensitivitas jangka waktu diharapkan, pendekatan verifikasi praktis adalah menghitung ulang R Squared di beberapa jendela waktu (misalnya, jendela bergulir atau memperluas) sambil menjaga definisi model tetap konsisten. Kemudian bandingkan seberapa besar R Squared bervariasi.
Jika Anda melihat fluktuasi besar, itu adalah bukti bahwa kecocokan bergantung pada periode sampel tertentu daripada mencerminkan hubungan yang stabil. Jika Anda melihat R Squared yang konsisten tinggi di banyak jendela independen, itu lebih kuat—tetapi tetap bukan jaminan—karena hubungan historis tidak menetapkan hasil masa depan.
Pertanyaan lanjutan yang berguna adalah: Pilihan jangka waktu mana yang paling banyak mengubah variabel dependen dan struktur noise? Itu membantu Anda memahami mengapa R Squared bergerak ketika jangka waktu berubah.