Come l’orizzonte temporale influenza la regressione lineare

Risposta diretta

L’orizzonte temporale influenza la regressione lineare principalmente attraverso la finestra di dati utilizzata per adattare il modello (orizzonte di osservazione) e il periodo successivo con cui si confronta (orizzonte di detenzione o valutazione). Modificare uno di questi due elementi cambia i modelli che la regressione “vede”, quindi la relazione stimata e la sua apparente utilità possono cambiare anche se il metodo rimane invariato.

Meccanismi e definizione

La regressione lineare è un metodo per adattare una relazione lineare tra input (variabili indipendenti) e un risultato (variabile dipendente). Nella sua forma più semplice, il modello stima parametri che minimizzano gli errori quadratici tra i risultati osservati e i valori previsti.

L’orizzonte temporale entra in gioco in due modi pratici:

1. Orizzonte di osservazione (finestra di addestramento). Se si adatta la regressione utilizzando solo dati recenti, la pendenza e l’intercetta stimate riflettono le condizioni recenti. Se si utilizza una storia più lunga, le stime riflettono una media su quel periodo più esteso.

2. Orizzonte di detenzione/valutazione (orizzonte di verifica). Anche se si adatta il modello con una finestra specifica, si potrebbe valutarne le prestazioni con un orizzonte diverso. Ad esempio, si può adattare un modello per correlare l’input di oggi all’esito di domani, oppure all’esito di diversi periodi successivi. Una discrepanza tra l’orizzonte utilizzato per definire la relazione e quello usato per verificarne i risultati può invalidare l’apparente relazione.

Un dettaglio chiave è che il modello non conosce il “futuro”. Si adatta all’insieme specifico di osservazioni incluse nella finestra scelta, assumendo (implicitamente) che la relazione sottostante sia ragionevolmente simile nei periodi considerati.

Esempio basato su scenari o evidenze

Consideriamo due scelte di osservazione:

• Scenario A: adattamento con finestra breve. Supponiamo di raccogliere dati per 50 periodi e di eseguire una regressione sul movimento del periodo successivo in base a un input. La retta stimata potrebbe seguire le co-movimentazioni a breve termine. Ma se il comportamento del mercato cambia entro quei 50 periodi, la retta potrebbe inseguire il rumore, producendo parametri instabili.

• Scenario B: adattamento con finestra lunga. Supponiamo invece di utilizzare 500 periodi. La retta stimata potrebbe apparire più regolare perché mediata su un numero maggiore di episodi. Ma se il mercato cambia regime (ad esempio, passando da condizioni più calme a condizioni più volatili), la regressione con finestra più lunga potrebbe mescolare comportamenti diversi in un’unica retta, riducendo la sua aderenza alla struttura più recente.

Aggiungiamo ora l’orizzonte di detenzione/valutazione:

• Se si adatta il modello con un obiettivo coerente con un orizzonte molto breve, ma si valutano i risultati su un orizzonte più lungo, gli errori possono aumentare perché le relazioni lineari valide per un solo passo spesso non si estendono linearmente su molti passi successivi.

Questi risultati possono essere verificati senza dati in tempo reale: è possibile simulare costruendo un dataset in cui la relazione reale cambia nel tempo, quindi confrontare i parametri stimati e gli errori quando si sposta la finestra di addestramento e l’orizzonte di valutazione. In genere si osserverà una deriva dei parametri e un peggioramento degli errori quando l’orizzonte di valutazione non corrisponde più alla struttura di dipendenza.

Limitazioni e rischi

Diverse limitazioni rendono comune la sensibilità all’orizzonte temporale:

• Non stazionarietà. La relazione statistica tra input e risultati può cambiare nel tempo. Una regressione adattata su dati più vecchi può diventare meno rappresentativa per un orizzonte più recente.

• Cambi di regime e rotture strutturali. Se i dati provengono da diversi “stati”, un’unica regressione lineare può essere una semplificazione eccessiva. L’orizzonte temporale determina quali stati dominano l’adattamento.

• Outlier e code pesanti. Le finestre brevi sono più influenzate da poche osservazioni estreme; quelle lunghe possono diluire gli estremi ma restare distorte da pattern ricorrenti di outlier.

• Disallineamento degli orizzonti. Anche quando una relazione è misurabile per un periodo futuro, potrebbe non esserlo per un orizzonte diverso. L’orizzonte di valutazione può quindi cambiare le conclusioni.

Poiché questi effetti dipendono dal dataset specifico, dalla scelta dell’orizzonte e dal metodo di valutazione, qualsiasi relazione apparente dovrebbe essere considerata condizionata, non universale. L’adattamento storico non garantisce risultati futuri.

Verifica e prossima domanda

Per verificare in modo indipendente l’importanza dell’orizzonte temporale, confronta diverse configurazioni utilizzando lo stesso metodo:

1. Adatta la regressione su diverse finestre di addestramento.
2. Valuta ciascun modello adattato sullo stesso orizzonte di valutazione.
3. Ripeti con diversi orizzonti di valutazione.

I controlli più informativi riguardano le variazioni nei parametri stimati (pendenza/intercetta), le metriche di errore (come la dimensione dei residui) e la coerenza della relazione attraverso le finestre. Se i risultati variano fortemente spostando gli orizzonti temporali, ciò indica una sensibilità all’orizzonte piuttosto che una struttura predittiva robusta.