Jak działa regresja liniowa na rynku Forex
Regresja liniowa na rynku Forex: definicja i jej cel
Regresja liniowa to metoda statystyczna służąca do modelowania zależności między jedną zmienną (zmienną zależną) a jedną lub większą liczbą zmiennych (zmiennymi niezależnymi). „Liniowa” odnosi się do tego, że model jest liniową funkcją danych wejściowych, a nie do tego, że sam rynek porusza się po linii prostej.
W analizie rynku Forex regresję liniową można zastosować do historycznych szeregów czasowych, takich jak:
- poziomy cen (np. logarytm ceny pary walutowej)
- stopy zwrotu lub różnice (np. logarytmiczne stopy zwrotu)
- cechy objaśniające pochodzące z innych danych (np. wartości opóźnione)
Kluczowe jest rozróżnienie między mechaniką a oczekiwaniami: metoda szacuje parametry opisujące, jak przeszłe dane układają się w liniową zależność. Nie zapewnia ona sama w sobie bezpiecznych prognoz dotyczących przyszłych cen.
Mechanika: postać modelu, dane wejściowe i sekwencja estymacji
1) Wybór zmiennej zależnej i zmiennych niezależnych
Aby zastosować regresję liniową, należy najpierw określić, co próbujesz wyjaśnić. Na przykład przy jednej zmiennej niezależnej X i zmiennej zależnej Y podstawowa postać to:
Y = a + bX + ε
- Y to zmienna zależna (to, co mierzysz).
- X to zmienna niezależna (to, czego używasz do wyjaśnienia Y).
- a to wyraz wolny.
- b to współczynnik kierunkowy (o ile średnio zmienia się Y przy jednostkowej zmianie X).
- ε to składnik błędu (część Y niewyjaśniona przez linię).
W kontekście Forex X i Y są konstruowane na podstawie danych rynkowych i dowolnych cech, które zdecydujesz się wykorzystać. Częstym wyborem jest użycie wartości opóźnionych jako X (na przykład użycie stopy zwrotu z poprzedniego okresu do wyjaśnienia stopy zwrotu z następnego okresu), ale dokładny wybór jest założeniem, które musisz jasno określić.
2) Zebranie obserwacji historycznych i ich wyrównanie w czasie
Regresja liniowa wymaga par obserwacji. Jeśli używasz szeregów czasowych, musisz zdecydować, jak wyrównać znaczniki czasu. Na przykład, jeśli Y to „stopa zwrotu z następnego okresu”, to X musi być obliczone z „bieżącego okresu” (lub wcześniejszego), aby przypadkowo nie używać przyszłych informacji.
Ta decyzja dotycząca wyrównania ma znaczenie, ponieważ błędy mogą zmienić szacowaną zależność.
3) Estymacja parametrów (a i b)
Standardowym podejściem jest zwykła metoda najmniejszych kwadratów (OLS), która wybiera a i b tak, aby zminimalizować sumę kwadratów błędów:
min Σ( Yi − (a + bXi) )²
Koncepcyjnie OLS znajduje linię prostą, która sprawia, że pionowe odchylenia między zaobserwowanymi wartościami Y a linią są jak najmniejsze, w sensie najmniejszych kwadratów.
Estymatory parametrów zależą od:
- danych, które wprowadzasz (próby)
- sposobu skalowania i transformacji zmiennych
- tego, czy uwzględniasz wyraz wolny
- obecności wartości odstających i nietypowych okresów
4) Obliczenie wartości dopasowanych i reszt
Po oszacowaniu parametrów obliczasz:
- wartości dopasowane: Ŷi = a + bXi
- reszty: ei = Yi − Ŷi
Reszty pokazują, czego model nie wyjaśnił dla każdej obserwacji. Duże reszty wskazują na okresy, w których zależność liniowa nie uchwyciła zaobserwowanego ruchu.
5) Ocena dopasowania modelu (w próbie) i niepewności
Zazwyczaj używa się wskaźników dopasowania, takich jak:
- R² (jaka część wariancji Y jest wyjaśniona przez model liniowy)
- miary błędów (np. średni błąd kwadratowy)
Jednak wysokie dopasowanie w próbie nie oznacza automatycznie dobrej skuteczności poza próbą. W szeregach czasowych zależności mogą się zmieniać.
Dowody i przykładowa logika, którą możesz samodzielnie zweryfikować
Przykładowa struktura obliczeń (bez zakładania „przewagi prognostycznej”)
Załóżmy, że masz zbiór N wyrównanych obserwacji z historycznych danych forex. Definiujesz:
- Y jako stopę zwrotu z następnego okresu
- X jako stopę zwrotu z bieżącego okresu
Następnie obliczasz X i Y dla każdego kroku czasowego, tworząc pary (Xi, Yi) dla i = 1…N. Dla tych par:
- szacujesz a i b za pomocą OLS
- otrzymujesz przewidywane wartości Ŷi
- obliczasz reszty ei = Yi − Ŷi
- mierzysz błąd i/lub R² na tych samych danych
Aby samodzielnie zweryfikować wyniki, możesz ponownie przeprowadzić obliczenia, używając tych samych serii wejściowych i transformacji. Jeśli oszacowane współczynniki znacznie się zmieniają przy zmianie okna próby, jest to ważny sygnał, że zależność jest niestabilna.
Dlaczego „zależność liniowa” nie jest tym samym co przyczynowość
Nawet jeśli regresja znajdzie statystycznie mierzalną zależność liniową, nie dowodzi to, że X powoduje Y. W danych forex nakłada się wiele efektów (publikacje makroekonomiczne, zmiany nastrojów na rynku, zmiany płynności). Parametry regresji podsumowują wzorce korelacji w ramach wybranego modelu, a nie gwarantowany czynnik sprawczy.
Istotne ograniczenia i sposoby zawodności w kontekście Forex
1) Niestacjonarność i zmiany reżimu
Szeregi czasowe Forex mogą się zmieniać z powodu zmieniających się warunków rynkowych. Regresja liniowa zakłada, że szacowana zależność jest istotna dla zaobserwowanej próby. Jeśli podstawowa zależność zmienia się w czasie, współczynniki oszacowane na podstawie przeszłych danych mogą już nie opisywać późniejszego zachowania.
2) Błędna specyfikacja modelu
Model liniowy może być zbyt prosty. Nawet jeśli „średnia” zależność wygląda na liniową, prawdziwa zależność może być:
- nieliniowa
- zmienna w czasie (parametry, które się zmieniają)
- zależna od zmiennych, których nie uwzględniłeś
Jeśli model jest błędnie wyspecyfikowany, reszty często wykazują systematyczne wzorce, co oznacza, że model jest strukturalnie niekompletny.
3) Autokorelacja i zależne błędy
W szeregach czasowych reszty mogą być skorelowane w czasie. Wiele klasycznych interpretacji wnioskowania dla regresji opiera się na założeniach dotyczących składnika błędu. Jeśli błędy są autokorelowane lub heteroskedastyczne, oszacowania niepewności (na przykład błędy standardowe) mogą być mylące.
4) Przeuczenie przy wielu cechach
Jeśli rozszerzysz model o wiele zmiennych niezależnych (regresja wieloraka), model może dopasować się do szumu w okresie treningowym, zwłaszcza przy ograniczonej ilości danych. Na rynku Forex „więcej cech” może zwiększyć pozorne dopasowanie, jednocześnie pogarszając generalizację.
5) Jakość danych i wybór transformacji
Różne wybory — użycie poziomów cen zamiast stóp zwrotu, transformacje logarytmiczne zamiast arytmetycznych, długości okien i sposób obsługi wartości odstających — mogą istotnie zmienić wyniki. Ponieważ regresja jest wrażliwa na skalowanie i skład próby, transformacje muszą być jasno określone.
Jak weryfikować twierdzenia dotyczące wyników regresji liniowej
Sprawdź swoje założenia i powtarzalność
Aby niezależnie zweryfikować, czy analiza regresji liniowej jest spójna, skup się na:
- tym, czy X i Y są poprawnie wyrównane w czasie
- tym, czy transformacje zostały jasno zdefiniowane
- tym, czy reszty wyglądają na losowe, a nie ustrukturyzowane
- tym, czy współczynniki pozostają względnie stabilne w różnych oknach historycznych
Odróżnij „wyjaśnioną zmienność” od „prognozowania”
Pomocne jest poprawne etykietowanie wyników:
- Regresja daje wartości dopasowane i reszty dla próby oraz opis modelu.
- Prognozowanie przyszłego Y wymaga dodatkowej walidacji wykraczającej poza dopasowanie w próbie.