Come Funziona la Regressione Lineare nel Forex
Regressione lineare nel forex: definizione e obiettivi
La regressione lineare è un metodo statistico utilizzato per modellare la relazione tra una variabile (la variabile dipendente) e una o più variabili (le variabili indipendenti). Il termine “lineare” si riferisce al fatto che il modello è una funzione lineare degli input, non all’idea che il mercato si muova effettivamente in linea retta.
Nell’analisi relativa al forex, si può applicare la regressione lineare a serie storiche come:
- livelli di prezzo (ad esempio, il prezzo logaritmico di una coppia valutaria)
- rendimenti o differenze (ad esempio, rendimenti logaritmici)
- variabili esplicative derivate da altri dati (ad esempio, valori ritardati)
Un punto chiave è la distinzione tra meccanica e aspettative: il metodo stima parametri che descrivono come i dati passati si allineano a una relazione lineare. Non fornisce di per sé previsioni sicure sui prezzi futuri.
La meccanica: forma del modello, input e sequenza di stima
1) Scegliere la variabile dipendente e le variabili indipendenti
Per applicare la regressione lineare, devi prima specificare cosa stai cercando di spiegare. Ad esempio, con una variabile indipendente X e una variabile dipendente Y, la forma base è:
Y = a + bX + ε
- Y è la variabile dipendente (quello che misuri).
- X è la variabile indipendente (quello che usi per spiegare Y).
- a è l’intercetta.
- b è la pendenza (quanto cambia Y in media per un cambiamento unitario in X).
- ε è il termine di errore (la parte di Y non spiegata dalla retta).
Nei contesti del forex, X e Y sono costruiti a partire dai dati di mercato e da eventuali variabili che decidi di utilizzare. Scelte comuni includono l’uso di valori ritardati come X (ad esempio, usare il rendimento del periodo precedente per spiegare il rendimento del periodo successivo), ma la scelta esatta è un’assunzione che devi dichiarare esplicitamente.
2) Raccogliere osservazioni storiche e allinearle nel tempo
La regressione lineare richiede osservazioni accoppiate. Se usi serie temporali, devi decidere come allineare i timestamp. Ad esempio, se Y è il “rendimento del prossimo periodo”, allora X deve essere calcolato a partire dal “periodo corrente” (o precedente), in modo da non usare accidentalmente informazioni future.
Questa decisione di allineamento è importante perché errori possono alterare la relazione stimata.
3) Stimare i parametri (a e b)
Un approccio standard è quello dei minimi quadrati ordinari (OLS, Ordinary Least Squares), che sceglie a e b per minimizzare la somma degli errori al quadrato:
min Σ( Yi − (a + bXi) )²
Concettualmente, OLS trova la retta che rende le deviazioni verticali tra i valori osservati di Y e la retta stessa il più piccole possibile, nel senso dei minimi quadrati.
Le stime dei parametri dipendono da:
- i dati forniti (il campione)
- la scala e le trasformazioni applicate alle variabili
- se si include o meno un’intercetta
- la presenza di outlier e periodi anomali
4) Calcolare i valori adattati e i residui
Una volta stimati i parametri, calcoli:
- valori adattati: Ŷi = a + bXi
- residui: ei = Yi − Ŷi
I residui mostrano ciò che il modello non è riuscito a spiegare per ogni osservazione. Residui elevati indicano periodi in cui la relazione lineare non ha catturato il movimento osservato.
5) Valutare l’adeguatezza del modello (in-sample) e l’incertezza
Di solito si usano metriche di adattamento come:
- R² (quanta varianza in Y è spiegata dal modello lineare)
- misure di errore (ad esempio, errore quadratico medio)
Tuttavia, un alto adattamento in-sample non implica automaticamente buone prestazioni fuori campione. Nelle serie temporali, le relazioni possono cambiare.
Evidenze e logica di esempio verificabili autonomamente
Struttura di un esempio pratico (senza assumere un “vantaggio predittivo”)
Supponiamo di avere un insieme di N osservazioni allineate da dati storici del forex. Definiamo:
- Y come il rendimento del prossimo periodo
- X come il rendimento del periodo corrente
Quindi calcoliamo X e Y per ogni intervallo temporale, producendo coppie (Xi, Yi) per i = 1…N. Con queste coppie:
- stimiamo a e b usando OLS
- otteniamo i valori predetti Ŷi
- calcoliamo i residui ei = Yi − Ŷi
- misuriamo l’errore e/o R² sugli stessi dati
Per verificare autonomamente i risultati, puoi rieseguire i calcoli usando la stessa serie di input e trasformazioni. Se i coefficienti stimati cambiano molto quando modifichi la finestra del campione, questo è un segnale importante che la relazione è instabile.
Perché “relazione lineare” non equivale a causalità
Anche quando la regressione trova un’associazione lineare statisticamente misurabile, non dimostra che X causi Y. Nei dati del forex, molti effetti si sovrappongono (comunicati macroeconomici, cambiamenti nel sentiment di rischio, variazioni di liquidità). I parametri della regressione riassumono modelli di correlazione nel modello scelto, non un driver garantito.
Limiti materiali e modalità di fallimento nei contesti del forex
1) Non stazionarietà e cambiamenti di regime
Le serie storiche del forex possono cambiare a causa di condizioni di mercato mutevoli. La regressione lineare assume che la relazione stimata sia significativa per il campione osservato. Se la relazione sottostante cambia nel tempo, i coefficienti stimati dai dati passati potrebbero non descrivere più il comportamento futuro.
2) Specificazione errata del modello
Un modello lineare potrebbe essere troppo semplice. Anche se la relazione “media” sembra lineare, quella reale potrebbe essere:
- non lineare
- variabile nel tempo (parametri che cambiano)
- dipendente da variabili non incluse
Se il modello è mal specificato, i residui spesso mostrano schemi sistematici, indicando che il modello è strutturalmente incompleto.
3) Autocorrelazione ed errori dipendenti
Nelle serie temporali, i residui possono essere correlati nel tempo. Molte interpretazioni classiche dell’inferenza per la regressione si basano su assunzioni sul termine di errore. Se gli errori sono autocorrelati o eteroschedastici, le stime di incertezza (ad esempio, errori standard) possono essere fuorvianti.
4) Overfitting con molte variabili
Se si passa a molteplici variabili indipendenti (regressione multipla), il modello può adattarsi al rumore nel periodo di addestramento, specialmente con dati limitati. Nel forex, “più variabili” possono aumentare l’adattamento apparente peggiorando la capacità di generalizzazione.
5) Qualità dei dati e scelte di trasformazione
Scelte diverse — usare livelli di prezzo rispetto ai rendimenti, trasformazioni logaritmiche rispetto a quelle aritmetiche, lunghezze delle finestre, gestione degli outlier — possono cambiare sostanzialmente i risultati. Poiché la regressione è sensibile alla scala e alla composizione del campione, le trasformazioni devono essere dichiarate esplicitamente.
Come verificare le affermazioni sui risultati della regressione lineare
Verifica le tue assunzioni e la riproducibilità
Per verificare autonomamente se un’analisi di regressione lineare è coerente, concentrati su:
- se X e Y sono allineati correttamente nel tempo
- se le trasformazioni sono state definite esplicitamente
- se i residui sembrano casuali piuttosto che strutturati
- se i coefficienti rimangono relativamente stabili attraverso diverse finestre storiche
Distingui “variazione spiegata” da “previsione”
È utile etichettare correttamente gli output:
- La regressione fornisce valori adattati e residui per il campione e una descrizione del modello.
- Prevedere Y futuro richiede una validazione aggiuntiva oltre l’adattamento in-sample.