In Quali Condizioni di Mercato la Regressione Lineare Si Comporta in Modo Diverso?

Risposta diretta

La regressione lineare può “comportarsi diversamente” a seconda delle condizioni di mercato quando il pattern che si cerca di adattare non è stabile, non ha forma lineare o non è adeguatamente descritto dalle assunzioni alla base della regressione (ad esempio: forza costante della relazione, varianza approssimativamente costante e assenza di outlier sistematici). Quando queste assunzioni vengono meno, la retta stimata può comunque produrre un numero, ma tale numero diventa più difficile da interpretare, confrontare tra diverse finestre temporali o considerare affidabile come strumento esplicativo.

Questo articolo ha esclusivamente scopo informativo. Non fornisce previsioni sui prezzi, segnali di trading né promesse di performance. Spiega invece quando lo stesso meccanismo di regressione produce risultati significativamente diversi.

Meccanismo o definizione

La regressione lineare è un metodo statistico che stima una retta (o una relazione lineare) che meglio si adatta ai dati osservati minimizzando gli errori al quadrato. Nella sua forma più semplice, si adatta un modello del tipo:

• Risultato = intercetta + (pendenza × predittore) + errore

Il “comportamento” cambia quando cambia il processo generatore dei dati:

• Se la relazione reale è approssimativamente lineare e stabile, la pendenza e il pattern dei residui tendono a essere coerenti.
• Se la relazione è debole, cambia nel tempo o è non lineare, la pendenza stimata può variare notevolmente tra campioni diversi, anche utilizzando lo stesso metodo.

È utile distinguere tra meccaniche stabili e condizioni variabili:

• Meccaniche stabili: come viene calcolata la retta (minimi quadrati) e cosa rappresentano i residui (differenze tra osservazioni e retta stimata).
• Condizioni variabili: quanto è prevedibile la relazione, quanto sono rumorosi i dati, se ci sono cambi di regime e se le variabili esplicative sono effettivamente correlate linearmente al risultato scelto.

Evidenza o esempio (confronti condizionali)

Consideriamo due modi ipotetici in cui un processo di mercato può differire e come ciò modifica ciò che la regressione lineare “fa” in pratica.

1. Stabilità della relazione vs cambi di regime

• Condizione stabile: la relazione tra predittore e risultato rimane simile nell’intera finestra del campione.
• Condizione diversa: la relazione cambia (cambio di regime). Se si ristima la regressione su finestre temporali precedenti e successive, le pendenze possono differire e i residui possono mostrare una struttura (ad esempio, un periodo in cui gli errori sono prevalentemente positivi e un altro in cui sono prevalentemente negativi).

2. Livello di rumore e presenza di outlier

• Condizione a basso rumore: gli errori sembrano più casuali e hanno valori meno estremi.
• Condizione ad alto rumore o con outlier: alcuni punti anomali possono influenzare in modo sproporzionato la minimizzazione degli errori al quadrato. La retta stimata può ruotare verso gli outlier e le diagnosi basate sui residui possono rivelare code pesanti o varianza non costante degli errori.

3. Linearità vs non linearità

• Condizione approssimativamente lineare: la retta migliore cattura gran parte del pattern sistematico.
• Condizione non lineare: la vera relazione è curvilinea o presenta soglie. La regressione può ridurre l’errore in media, ma i residui possono mantenere un andamento sistematico, indicando che una singola retta è una descrizione inadeguata.

Assunzione importante: questi esempi riguardano l’interpretazione e il comportamento dell’adattamento, non la previsione di valori futuri. Le relazioni storiche non garantiscono risultati futuri.

Limitazioni e rischi

Almeno un modo significativo di fallimento è lo scontro con le assunzioni:

• Non stazionarietà: se la relazione statistica cambia, i parametri stimati possono diventare dipendenti dal tempo. Lo stesso procedimento di regressione produce stime diverse dei parametri in diverse finestre temporali.
• Eteroschedasticità: se la varianza dell’errore cambia nel tempo, la minimizzazione degli errori al quadrato produce comunque una retta, ma confronti e stime di incertezza possono diventare fuorvianti.
• Multicollinearità (quando si usano più predittori): predittori che si muovono insieme possono rendere instabili i coefficienti stimati; piccoli cambiamenti nei dati possono causare forti oscillazioni nei coefficienti.
• Overfitting su un campione limitato: con troppe variabili esplicative o finestre brevi, il modello può adattarsi al rumore, facendo apparire le diagnosi sul periodo di addestramento migliori del previsto.

Rischio di verifica: anche se una regressione si adatta bene storicamente, i costi e le imperfezioni di esecuzione possono influenzare ciò che è effettivamente realizzabile. Queste imperfezioni non sono automaticamente catturate da un semplice adattamento statistico ai prezzi. Inoltre, i risultati dipendono dalla scelta dei predittori e del risultato (definizioni delle variabili), che può modificare sostanzialmente l’esito della regressione.

Poiché i mercati sono incerti, si dovrebbe considerare l’output della regressione come una descrizione empirica di un particolare dataset e finestra temporale, non come una regola robusta e garantita.

Verifica o prossima domanda

Per verificare in modo indipendente se la regressione lineare “si comporta diversamente” nelle tue condizioni, concentrati sulle proprietà osservabili dell’adattamento:

• Confronta i parametri stimati e i pattern dei residui su diverse finestre temporali.
• Verifica se i residui sembrano casuali invece che strutturati.
• Valuta se la variabilità degli errori appare stabile o in cambiamento.
• Ristima il modello dopo aver modificato le definizioni delle variabili esplicative per testarne la sensibilità.