Come influisce il timeframe su R Quadrato?
Risposta diretta
Il timeframe influenza R Quadrato perché il calcolo si basa su dati appartenenti a una specifica finestra temporale. Quando si modifica il periodo di osservazione o il timeframe, si modifica la combinazione di regimi di mercato, la quantità di rumore e il modo in cui il modello si adatta ai dati osservati. Di conseguenza, il valore di R Quadrato riportato può aumentare, diminuire o diventare instabile.
Meccanismo o definizione
R Quadrato (spesso indicato come R²) è una statistica che riassume quanto della variazione di una variabile dipendente è spiegata da un modello. In un contesto tipico di regressione, è legato al rapporto tra variazione spiegata e variazione totale nei punti dati utilizzati.
Il timeframe entra in gioco perché il dataset è indicizzato temporalmente. Due modi comuni in cui il timeframe modifica i dati sono:
- Cambiare la finestra di osservazione: si può calcolare R Quadrato utilizzando dati giornalieri di un mese rispetto a un anno. La finestra più lunga include più episodi, quindi la relazione (se esiste) viene mediata su condizioni più varie.
- Cambiare il periodo di campionamento o di detenzione (holding period): si possono costruire rendimenti o variazioni su orizzonti diversi (ad esempio, variazioni a un giorno rispetto a variazioni su più giorni). La serie dipendente e la struttura del rumore cambiano, alterando l’allineamento stimato e quindi R Quadrato.
Poiché R Quadrato dipende dai residui (la differenza tra i valori osservati e le previsioni del modello), cambiare il timeframe modifica i pattern dei residui. Questa è la ragione principale per cui ci si aspetta una sensibilità al timeframe.
Impatto degli scenari: sensibilità al periodo di osservazione e di detenzione
Si consideri uno scenario semplice in cui un modello prevede una variazione di prezzo utilizzando una caratteristica derivata da dati precedenti. Se si calcola R Quadrato su un breve timeframe, si potrebbe catturare un periodo in cui il modello casualmente si allinea bene ai movimenti osservati. In un diverso timeframe — specialmente uno con un diverso equilibrio tra trend e mean-reversion — lo stesso modello può produrre residui più ampi, riducendo R Quadrato.
Un effetto simile si verifica quando cambia il periodo di detenzione (holding period). Periodi più lunghi tendono a smussare alcune fluttuazioni giornaliere, ma possono anche amplificare i cambiamenti di regime. Gli orizzonti brevi possono essere dominati dal rumore microstrutturale, e questo rumore può ridurre il potere esplicativo o gonfiare artificialmente l’adattamento, a seconda di come il modello viene costruito e valutato.
In entrambi i casi, non si sta modificando una proprietà magica di R Quadrato stesso; si sta modificando il dataset e il comportamento dei residui che R Quadrato riassume.
Limitazioni e rischi
Una limitazione significativa è il rischio di overfitting: un valore più alto di R Quadrato su un particolare timeframe non dimostra che la relazione sia stabile. Quando il timeframe viene selezionato in modo da favorire un campione specifico, R Quadrato può apparire forte anche se il modello fallisce con nuovi dati.
Altri modi di fallimento includono:
- Mistura di regimi: finestre più lunghe combinano condizioni di mercato diverse. Se le relazioni variano tra regimi, un singolo valore di R Quadrato può mascherare rotture.
- Non stazionarietà: se le proprietà statistiche della serie cambiano nel tempo, la relazione tra input e variazioni osservate può spostarsi, rendendo R Quadrato dipendente dal timeframe.
- Errore di valutazione: se si calcola R Quadrato sullo stesso periodo usato per selezionare o ottimizzare gli input, si possono ottenere valori ottimistici che non si generalizzano.
Niente di ciò implica che R Quadrato sia inutile; significa semplicemente che R Quadrato è condizionato al timeframe scelto e al metodo di valutazione.
Verifica o prossima domanda
Poiché la sensibilità al timeframe è attesa, un approccio pratico di verifica consiste nel ricalcolare R Quadrato su più finestre temporali (ad esempio, finestre mobili o espansive), mantenendo invariata la definizione del modello. Quindi si confronta quanto varia R Quadrato.
Se si osservano forti oscillazioni, ciò indica che l’adattamento dipende dal particolare periodo campione piuttosto che riflettere una relazione stabile. Se si osserva un valore costantemente alto di R Quadrato su molte finestre indipendenti, ciò rappresenta una prova più solida — ma comunque non una garanzia — poiché le relazioni storiche non assicurano risultati futuri.
Una domanda utile successiva è: Quali scelte di timeframe modificano maggiormente la variabile dipendente e la struttura del rumore? Questo aiuta a capire perché R Quadrato varia quando cambia il timeframe.