線形回帰はどのような市場条件で挙動が異なるのか？
直接の答え
線形回帰は、市場条件によって「挙動が異なる」ことがあります。これは、当てはめようとしているパターンが安定していない、直線状ではない、または回帰の前提（たとえば、関係の強さが一貫していること、分散が概ね一定であること、体系的な外れ値がないこと）によってうまく説明できない場合です。これらの前提が弱まると、当てはめた直線は数値を出せるとしても、その数値は解釈しにくくなったり、時間ウィンドウ間で比較しにくくなったり、説明ツールとして頼りにくくなったりします。
この記事は情報提供のみを目的としています。価格を予測したり、取引シグナルを提供したり、成果を保証したりするものではありません。代わりに、同じ回帰メカニズムが、意味のある形で異なる結果を生むのはいつかを説明します。
メカニズムまたは定義
線形回帰は、観測データに最もよく合う直線（または線形関係）を、二乗誤差を最小化することで推定する統計手法です。単純化すると、次のようなモデルを当てはめます。
- 目的変数 = 切片 + (傾き × 説明変数) + 誤差
データ生成プロセスが変わると「挙動」が変わります。
- 真の関係が概ね線形で安定している場合、傾きや残差パターンは一貫しやすい。
- 関係が弱い、時間とともに変化する、または非線形である場合、同じ手法を使っていても、当てはめた傾きはサンプルごとに大きく変わり得ます。
安定したメカニズムと変動する条件を分けるのに役立ちます。
- 安定したメカニズム：直線がどのように当てはめられるか（最小二乗法）と、残差が何を表すか（観測値と当てはめた直線の差）。
- 変動する条件：関係がどれだけ予測可能か、データがどれだけノイズを含むか、レジーム・シフトがあるかどうか、そして選んだ目的変数に対して特徴量が実際に線形に関係しているかどうか。
エビデンスまたは例（条件付き比較）
市場プロセスが異なり得る2つの仮想的なパターンを考え、それが実際に線形回帰の「やること」をどう変えるかを見てみましょう。
- 関係の安定性 vs レジーム・シフト
- 安定した条件：説明変数と目的変数の関係が、サンプル・ウィンドウ全体で概ね同じままである。
- 異なる条件：関係が変わる（レジーム・シフト）。早い時期のウィンドウと後のウィンドウで回帰を作り直すと、傾きが異なり得て、残差には構造が見える場合があります（たとえば、誤差が主に正になる期間と、主に負になる期間がある）。
- ノイズの大きさと外れ値
- 低ノイズの条件：誤差はよりランダムに見え、極端な値が少ない。
- 高ノイズまたは外れ値の条件：いくつかの珍しい点が、二乗誤差の最小化に不釣り合いに大きく影響し得る。当てはめた直線は外れ値の方向へ回転する可能性があり、残差に基づく診断によって、厚い裾（heavy tails）や誤差の分散が一定でないことが明らかになる場合がある。
- 線形性 vs 非線形性
- 概ね線形の条件：最適な当てはめの直線が、体系的なパターンの大部分を捉える。
- 非線形の条件：真の関係が曲がっている、または閾値（しきい値）を持つ。回帰は平均的には誤差を減らすかもしれませんが、残差が体系的なパターンを保ったままであることがあり、単一の直線では不十分な説明であることを示します。
重要な前提：これらの例は、将来の値を予測することではなく、解釈と当てはめの挙動に関するものです。過去の関係は、将来の結果を保証しません。
限界とリスク
少なくとも1つの重大な失敗モードは、前提の不一致です。
- 非定常性：統計的な関係が変わると、当てはめたパラメータは時間依存になり得る。同じ回帰手順でも、ウィンドウごとに異なるパラメータ推定が得られる。
- 異分散：誤差分散が時間とともに変化する場合、二乗誤差の当てはめはそれでも直線を作れますが、比較や不確実性の推定が誤解を招くものになり得る。
- 多重共線性（複数の説明変数を使う場合）：一緒に動く説明変数が、当てはめた係数を不安定にし得る。データが少し変わるだけで、係数が大きく振れることがある。
- 限られたサンプルへの過学習：特徴量が多い、またはウィンドウが短い場合、モデルはノイズに適合してしまい、学習期間での診断が、想定よりも良く見えることがある。
検証リスク：たとえ回帰が過去に適合していても、コストや実行上の摩擦によって、実際に達成可能なものが変わり得ます。これらの摩擦は、価格への統計的な当てはめだけでは自動的に捉えられません。さらに、説明変数（複数可）として何を選ぶか、目的変数として何を選ぶか（変数定義）によって、回帰結果が実質的に変わり得ます。
市場は不確実なので、回帰の出力は「特定のデータセットと時間ウィンドウに対する経験的な記述」として扱うべきであり、「頑健で保証されたルール」として扱うべきではありません。
検証または次の質問
あなたの条件のもとで線形回帰が「異なる挙動をするか」を独立に検証するには、当てはめの観測可能な性質に注目してください。
- 複数の時間ウィンドウで、当てはめたパラメータと残差パターンを比較する。
- 残差が構造化されているのではなくランダムに見えるかを確認する。
- 誤差のばらつきが安定しているのか、それとも変化しているのかを評価する。
- 特徴量の定義を調整した後に再推定し、感度（sensitivity）をテストする。
DOCUMENT END