時間軸が線形回帰に与える影響
直接の答え
時間軸は、主にモデルを当てはめるために使うデータウィンドウ（観測の時間軸）と、その後に比較する期間（保有期間または評価の時間軸）を通じて、線形回帰に影響します。どちらかを変えると、回帰が「見ている」パターンが変わるため、手法自体が同じでも、当てはめた関係やその有用性の見え方が変わり得ます。
仕組みと定義
線形回帰は、入力（独立変数）と結果（従属変数）の間の直線的な関係を当てはめるための手法です。最も単純な形では、モデルは、観測された結果と予測値の間の二乗誤差を最小化するようにパラメータを推定します。
時間軸は、実務上は主に次の2つの形で入ってきます。
-
観測の時間軸（学習ウィンドウ）。 最近のデータだけで回帰を当てはめると、推定される傾きと切片は直近の状況を反映します。より長い履歴で当てはめると、その推定は長期間にわたる平均を反映します。
-
保有／評価の時間軸（テストするホライズン）。 あるウィンドウで当てはめても、別のホライズンで性能を評価することがあります。たとえば、今日の入力と明日の結果を結びつけるようにモデルを当てはめたり、今日の入力と複数期間後の結果を結びつけたりできます。関係を設計する際に使ったホライズンと、結果を確認する際に使ったホライズンが一致しないと、見かけ上の関係が崩れることがあります。
重要な点は、モデルは「未来」を知りません。選んだウィンドウに含めた特定の観測に対して当てはめを行い、（暗黙に）その間に使った時点で、基礎となる関係がかなり似ていると仮定します。
エビデンスまたはシナリオに基づく例
観測の選択肢を2つ考えます。
-
シナリオA：短いウィンドウでの当てはめ。 50期間分のデータを集め、入力に対する次期間の値動きを回帰させるとします。この当てはめた直線は、短期の共変動を追跡するかもしれません。しかし、その50期間の途中で市場の挙動が変わると、直線はノイズを追いかけてしまい、パラメータが不安定になります。
-
シナリオB：長いウィンドウでの当てはめ。 代わりに500期間を使うとします。この当てはめた直線は、より多くのエピソードにわたって平均化されるため、より滑らかに見えるかもしれません。しかし、市場がレジームを変える（たとえば、落ち着いた状態からよりボラティリティの高い状態へ移行する）場合、長いウィンドウの回帰は異なる挙動を1本の直線に混ぜ合わせてしまい、直近の構造にどれだけ合うかが下がります。
次に、保有／評価の時間軸を加えます。
- 非常に短いホライズンに整合する目的で当てはめても、より長いホライズンで評価すると、誤差が大きくなることがあります。1ステップ先で成り立つ線形関係は、多くのステップ先へは線形に外挿できないことが多いためです。
これらの結果は、ライブ価格なしでも検証できます。つまり、真の関係が時間とともに変化するようなデータセットを構築し、学習ウィンドウと評価ホライズンをずらしたときに、推定されたパラメータと誤差を比較すればよいのです。評価ホライズンが依存構造と一致しなくなると、通常はパラメータのドリフトと、誤差の悪化が見られるはずです。
制約とリスク
いくつかの制約により、時間軸への感度がよく起こります。
-
非定常性。 入力と結果の統計的な関係は、時間とともに変わる可能性があります。古いデータで当てはめた回帰は、新しい時間軸では代表性が下がることがあります。
-
レジーム転換と構造的ブレイク。 データが異なる「状態」から来ている場合、単一の線形当てはめは過度な単純化になり得ます。時間軸は、どの状態が当てはめに支配的に反映されるかを決めます。
-
外れ値と厚い裾（heavy tails）。 短いウィンドウは、いくつかの極端な観測の影響を受けやすくなります。長いウィンドウは極端さを薄めることはできますが、それでも繰り返し現れる外れ値パターンによって歪められる可能性があります。
-
ホライズンの不一致。 ある関係が1期間先では測定可能でも、別のホライズンでは測定可能でないことがあります。そのため、評価の時間軸は結論を変え得ます。
これらの効果は、特定のデータセット、時間軸の選択、評価手法に依存するため、見かけ上の関係は普遍的というより条件付きだと考えるべきです。過去の当てはめが将来の結果を保証するわけではありません。
検証と次の質問
時間軸がどのように効くかを独立に検証するには、同じ手法で複数の設定を比較します。
- 複数の異なる学習ウィンドウで回帰を当てはめる。
- 各当てはめ済みモデルを同じ評価ホライズンで評価する。
- 別の評価ホライズンでも繰り返す。
最も有益な確認は、当てはめたパラメータ（傾き／切片）の変化、誤差指標（残差の大きさなど）の変化、そしてその関係がウィンドウをまたいで一貫して成り立つかどうかです。時間軸をずらしたときに結果が大きく変わるなら、それは頑健な予測構造というより、時間軸への感度の証拠です。