Cosa possono significare i segnali dalla regressione lineare?
Risposta diretta
I segnali derivati dalla regressione lineare di solito indicano: uno strumento ha adattato una linea retta a una serie di osservazioni passate, e l’output dello strumento viene interpretato come direzione del trend (verso l’alto o verso il basso), forza del trend (quanto bene la linea si adatta) o comportamento simile al momentum (come cambia l’adattamento). Queste interpretazioni sono convenzionali, ma non prevedono in modo affidabile i movimenti futuri dei prezzi.
Meccanismo o definizione
La regressione lineare (in questo contesto) adatta una linea della forma y = a + b·x ai dati storici. Qui, y è la serie di input scelta (ad esempio, un prezzo o un prezzo mediato), x è tipicamente un indice crescente nel tempo, a è l’intercetta e b è la pendenza.
Un’interpretazione comune di “segnale” si basa sulla pendenza b:
- Pendenza positiva: la linea adattata è inclinata verso l’alto, quindi i dati recenti appaiono approssimativamente in aumento nell’intervallo scelto.
- Pendenza negativa: la linea adattata è inclinata verso il basso.
Una seconda interpretazione utilizza la qualità dell’adattamento. Se i punti si concentrano vicino alla linea adattata, la linea rappresenta meglio il modello dei dati; se i punti sono dispersi, la linea adattata è un riassunto debole. Nella pratica, molti indicatori mostrano una combinazione di misure relative alla direzione e alla qualità dell’adattamento.
Poiché lo strumento utilizza osservazioni storiche, gli output dipendono dagli input:
- la serie di dati selezionata (grezza o filtrata)
- la lunghezza della finestra (quanti punti passati vengono utilizzati)
- eventuali scalature o preelaborazioni
- la regola con cui l’indicatore riporta la pendenza o l’adattamento
Evidenza o esempio
Scenario: supponiamo di calcolare una linea di regressione sugli ultimi N punti dati. Se la pendenza è fortemente positiva e la qualità dell’adattamento è alta, potremmo descrivere la situazione come “i dati recenti seguono un andamento pressoché lineare ascendente”.
Conseguenza concreta: l’etichetta “andamento pressoché lineare ascendente” può comunque coesistere con incertezza futura. Le relazioni possono cambiare rapidamente, e la linea adattata è solo un’approssimazione di ciò che è già accaduto.
Esempio di verifica (non predittivo): ripetere la regressione con dimensioni di finestra vicine, come N e N±k. Se la direzione cambia frequentemente o la qualità dell’adattamento crolla con piccole variazioni dei parametri, l’output è probabilmente sensibile al rumore piuttosto che a un modello stabile.
Limitazioni e rischi
Una limitazione fondamentale è la mancata corrispondenza del modello: la regressione lineare presuppone una relazione approssimativamente lineare nell’intervallo scelto. Le serie temporali finanziarie spesso cambiano regime, quindi un riassunto con linea retta può smettere di descrivere i dati.
Un’altra modalità di errore è la struttura falsa: finestre corte possono far apparire fluttuazioni casuali come una pendenza. Anche con un adattamento apparentemente buono, la relazione potrebbe essere temporanea.
Gli output variano anche in base ai dati e ai costi. Se l’interpretazione dipende da input grezzi che includono salti improvvisi, gli outlier possono alterare la pendenza. Inoltre, i costi pratici di esecuzione (spread, commissioni) e dettagli di misurazione possono influenzare ciò che si osserva rispetto a ciò che il modello ha calcolato.
Infine, le relazioni storiche non garantiscono risultati futuri. Anche se un andamento lineare in precedenza appariva forte, ciò non significa che persisterà.
Verifica o prossima domanda
Per valutare in modo indipendente cosa significa un segnale basato sulla regressione lineare nel tuo contesto, chiediti:
- A cosa stai applicando l’adattamento (quale serie) e su quale finestra?
- Il “segnale” è legato solo alla pendenza o riflette anche la qualità dell’adattamento?
- Quanto sono stabili i risultati con variazioni nelle dimensioni della finestra e nelle scelte di preelaborazione?
- L’output riportato cambia bruscamente quando il regime dei dati sottostante cambia?
Se desideri approfondire, la domanda più utile da porsi è: Cosa significa una divergenza nell’output della regressione in termini di cambiamenti di pendenza rispetto al crollo dell’adattamento?