Co mogą oznaczać sygnały z regresji liniowej?
Bezpośrednia odpowiedź
Sygnały pochodzące z regresji liniowej zwykle oznaczają: narzędzie dopasowało prostą linię do szeregu przeszłych obserwacji, a wynik działania narzędzia jest interpretowany jako kierunek trendu (w górę lub w dół), siła trendu (jak dobrze linia pasuje do danych) lub zachowanie przypominające momentum (jak zmienia się dopasowanie). Te interpretacje są konwencjonalne, ale nie stanowią wiarygodnej prognozy przyszłych ruchów cen.
Mechanizm lub definicja
Regresja liniowa (w tym kontekście) dopasowuje linię o postaci y = a + b·x do danych historycznych. Tutaj y to wybrany szereg wejściowy (na przykład cena lub uśredniona cena), x to zazwyczaj indeks rosnący w czasie, a to wyraz wolny, a b to nachylenie.
Typowa interpretacja „sygnału” opiera się na nachyleniu b:
- Dodatnie nachylenie: dopasowana linia jest skierowana w górę, więc ostatnie dane wyglądają na w przybliżeniu rosnące w wybranym oknie.
- Ujemne nachylenie: dopasowana linia jest skierowana w dół.
Druga interpretacja wykorzystuje jakość dopasowania. Jeśli punkty skupiają się blisko dopasowanej linii, linia lepiej oddaje wzorzec danych; jeśli punkty są mocno rozproszone, dopasowana linia jest słabym podsumowaniem. W praktyce wiele wskaźników pokazuje pewną kombinację miar kierunku i jakości dopasowania.
Ponieważ narzędzie wykorzystuje obserwacje historyczne, wyniki zależą od danych wejściowych:
- wybranego szeregu danych (surowych lub wygładzonych)
- długości okna (ile przeszłych punktów jest używanych)
- wszelkiego skalowania lub przetwarzania wstępnego
- reguły określającej, jak wskaźnik raportuje nachylenie lub dopasowanie
Dowód lub przykład
Scenariusz: załóżmy, że obliczasz linię regresji dla ostatnich N punktów danych. Jeśli nachylenie jest silnie dodatnie, a jakość dopasowania wysoka, możesz opisać sytuację jako „ostatnie dane podążają za wzorcem w przybliżeniu liniowym skierowanym w górę”.
Istotna konsekwencja: etykieta „wzorzec w przybliżeniu liniowym skierowany w górę” może współistnieć z przyszłą niepewnością. Relacje mogą się szybko zmieniać, a dopasowana linia jest jedynie przybliżeniem tego, co już się wydarzyło.
Przykład weryfikacji (nieprognostyczny): powtórz regresję dla podobnych rozmiarów okna, takich jak N oraz N±k. Jeśli kierunek często się zmienia lub jakość dopasowania gwałtownie spada przy niewielkich zmianach parametrów, wynik jest prawdopodobnie wrażliwy na szum, a nie odzwierciedla stabilnego wzorca.
Ograniczenia i ryzyka
Kluczowym ograniczeniem jest niedopasowanie modelu: regresja liniowa zakłada relację w przybliżeniu liniową w wybranym oknie. Szeregi czasowe na rynku finansowym często zmieniają reżim, więc proste podsumowanie liniowe może przestać opisywać dane.
Innym rodzajem awarii jest fałszywa struktura: krótkie okna mogą sprawić, że przypadkowe wahania będą wyglądać jak nachylenie. Nawet przy przyzwoicie wyglądającym dopasowaniu relacja może być tymczasowa.
Wyniki różnią się również w zależności od danych i kosztów. Jeśli Twoja interpretacja opiera się na surowych danych wejściowych zawierających nagłe skoki, wartości odstające mogą przechylić nachylenie. Ponadto praktyczne koszty wykonania transakcji (spread, opłaty) i szczegóły pomiaru mogą wpływać na to, co obserwujesz, w porównaniu z tym, co obliczył model.
Wreszcie, relacje historyczne nie przesądzają o przyszłych wynikach. Nawet jeśli wzorzec liniowy wydawał się wcześniej silny, nie oznacza to, że będzie się utrzymywał.
Weryfikacja lub kolejne pytanie
Aby niezależnie ocenić, co sygnał oparty na regresji liniowej oznacza w Twoim kontekście, zadaj sobie pytania:
- Co dokładnie dopasowujesz (jaki szereg) i w jakim oknie?
- Czy „sygnał” jest powiązany tylko z nachyleniem, czy też odzwierciedla jakość dopasowania?
- Jak stabilne są wyniki przy podobnych rozmiarach okna i różnych opcjach przetwarzania wstępnego?
- Czy raportowany wynik zmienia się gwałtownie, gdy zmienia się reżim danych bazowych?
Jeśli chcesz pójść głębiej, najbardziej przydatne kolejne pytanie brzmi: Co oznacza rozbieżność w wynikach regresji w kontekście zmian nachylenia w porównaniu z załamaniem dopasowania?