フォレックスにおける線形回帰の仕組み
フォレックスにおける線形回帰：定義と、それが目指すこと
線形回帰は、1つの変数（従属変数）と1つ以上の変数（独立変数）の間の関係をモデル化するための統計手法です。ここでいう「線形」とは、市場そのものが直線的に動くという考えではなく、モデルが入力に対して直線（直線関数）として表されることを指します。
フォレックス関連の分析では、人々は次のような過去の時系列に線形回帰を適用することがあります：
- 価格水準（例：通貨ペアの対数価格）
- リターンまたは差分（例：対数リターン）
- 他のデータから導出した説明変数（例：ラグ付きの値）
重要なポイントは、メカニズムと期待を分けて考えることです。この手法は、過去データが線形関係にどのように整合するかを記述するパラメータを推定します。将来の価格について安全な予測を本質的に提供するわけではありません。
メカニズム：モデル形式、入力、推定の手順
1) 従属変数と独立変数を選ぶ
線形回帰を適用するには、まず「何を説明したいのか」を指定します。たとえば、独立変数Xが1つで従属変数Yがある場合、基本形は次のとおりです：
Y = a + bX + ε
- Yは従属変数（測定するもの）です。
- Xは独立変数（Yを説明するために使うもの）です。
- aは切片です。
- bは傾き（Xが1単位変化したとき、Yが平均してどれだけ変わるか）です。
- εは誤差項（線が説明しないYの部分）です。
フォレックスの文脈では、XとYは市場データと、あなたが使うことに決めた特徴量から構築されます。よくある選択肢として、Xにラグ付きの値を使うことがあります（例：前の期間のリターンを使って次の期間のリターンを説明する）。ただし、正確な選択は、あなたが明示しなければならない前提（assumption）です。
2) 過去の観測を集め、時間で整列させる
線形回帰は、対応する観測の組を前提とします。時系列を使うなら、タイムスタンプをどう整列させるかを決める必要があります。たとえば、Yが「次の期間のリターン」なら、Xは「現在の期間」（またはそれ以前）から計算されていなければなりません。そうしないと、将来の情報を偶然使ってしまうことになります。
この整列の判断は、推定される関係を変えてしまう可能性があるため重要です。
3) パラメータ（aとb）を推定する
標準的なアプローチは、最小二乗法（OLS）です。これは、二乗誤差の総和を最小化するようにaとbを選びます：
min Σ( Yi − (a + bXi) )²
概念的には、OLSは、観測されたYの値と直線の間の縦方向のズレを、最小二乗の意味でできるだけ小さくする直線を見つけます。
パラメータ推定は次に依存します：
- 入力するデータ（サンプル）
- 変数のスケーリングや変換の方法
- 切片を含めるかどうか
- 外れ値や特異な期間の有無
4) 当てはめ値と残差を計算する
パラメータが推定できたら、次を計算します：
- 当てはめ値：Ŷi = a + bXi
- 残差：ei = Yi − Ŷi
残差は、各観測についてモデルが説明できなかった部分を示します。残差が大きいのは、線形関係が観測された動きを捉えられなかった時点を示唆します。
5) モデルの適合度（サンプル内）と不確実性を評価する
通常、次のような適合度指標を使います：
- R²（Yの分散のうち、線形モデルでどれだけ説明できたか）
- 誤差指標（例：平均二乗誤差）
ただし、サンプル内で適合度が高いことは、必ずしもサンプル外での性能が強いことを意味しません。時系列では、関係が変わることがあります。
独立に検証できる証拠と例のロジック
A. 実例の構造（「予測上の優位性」を前提にしない）
仮に、過去のフォレックスデータから得たN個の整列済み観測があるとします。あなたは次を定義します：
- Yを次の期間のリターン
- Xを現在の期間のリターン
そして、各時点についてXとYを計算し、i = 1…Nに対する組（Xi, Yi）を作ります。これらの組を使って：
- OLSでaとbを推定する
- 予測値Ŷiを得る
- 残差ei = Yi − Ŷiを計算する
- 同じデータ上で誤差および/またはR²を測定する
結果を独立に検証するには、同じ入力系列と変換を使って計算をやり直せます。推定した係数が、サンプルウィンドウを変えると大きく変わるなら、その関係が不安定である重要なシグナルになります。
なぜ「線形関係」は因果関係と同じではないのか
回帰が統計的に測定可能な線形の関連を見つけたとしても、それはXがYを引き起こすことを証明しません。フォレックスデータでは、多くの要因が重なります（マクロの発表、リスク志向の変化、流動性の変化など）。回帰のパラメータは、あなたが選んだモデルのもとでの相関パターンを要約するものであり、確実なドライバーを保証するものではありません。
フォレックス文脈における制約と失敗モード
1) 非定常性とレジーム変化
フォレックスの時系列は、市場環境の変化によってシフトし得ます。線形回帰は、推定した関係が観測されたサンプルに対して意味を持つことを前提とします。基礎となる関係が時間とともに変わるなら、過去データから推定された係数は、その後の挙動をもはや説明できない可能性があります。
2) モデルのミススペシフィケーション
直線モデルは単純すぎるかもしれません。「平均的」な関係が線形に見えても、実際の関係は次のようである可能性があります：
- 非線形
- 時間変化（パラメータが変わる）
- 含めなかった変数に依存している
モデルがミススペシファイされている場合、残差にはしばしば体系的なパターンが現れます。つまり、モデルが構造的に不完全であることを意味します。
3) 自己相関と従属する誤差
時系列では、残差が時間をまたいで相関することがあります。回帰に関する多くの古典的な推論の解釈は、誤差項についての仮定に依存しています。誤差が自己相関していたり、分散が一定でなかったり（heteroskedastic）すると、不確実性の推定（たとえば標準誤差）は誤解を招く可能性があります。
4) 多数の特徴量による過学習
複数の独立変数（重回帰）に拡張すると、特にデータが限られている場合、モデルは学習期間のノイズに適合してしまうことがあります。フォレックスでは「特徴量を増やす」ことで見かけの適合度が上がる一方、汎化が悪化することがあります。
5) データ品質と変換の選択
価格水準を使うかリターンを使うか、対数変換か算術変換か、ウィンドウ長、外れ値の扱いなど、さまざまな選択によって結果は大きく変わり得ます。回帰はスケーリングとサンプル構成に敏感なので、変換は明示したままにする必要があります。
線形回帰の結果に関する主張を検証する方法
前提条件と再現性を確認する
線形回帰分析が首尾一貫しているかどうかを独立に検証するには、次に注目します：
- XとYが時間的に正しく整列しているか
- 変換を明示的に定義したか
- 残差がランダムに見えるか、それとも構造を持っているか
- 異なる過去のウィンドウで係数が比較的安定しているか
「説明された変動量」と「予測」を区別する
出力には適切なラベルを付けると役立ちます：
- 回帰は、サンプルに対する当てはめ値と残差、およびモデルの説明を与えます。
- 将来のYを予測するには、サンプル内の適合度以外の追加検証が必要です。