Jak rama czasowa wpływa na R Kwadrat?
Bezpośrednia odpowiedź
Rama czasowa wpływa na R Kwadrat, ponieważ obliczenie wykorzystuje dane z określonego okna obserwacji. Kiedy zmieniasz okres utrzymania pozycji lub okno czasowe, zmieniasz mieszankę reżimów rynkowych, ilość szumu oraz sposób, w jaki model dopasowuje się do tego, co jest obserwowane. W rezultacie raportowany R Kwadrat może wzrosnąć, spaść lub stać się niestabilny.
Mechanizm lub definicja
R Kwadrat (często zapisywany jako R²) jest statystyką, która podsumowuje, jaką część zmienności zmiennej zależnej wyjaśnia model. W typowym ustawieniu regresji jest powiązany ze stosunkiem wyjaśnionej zmienności do całkowitej zmienności w wykorzystanych punktach danych.
Rama czasowa wchodzi w grę, ponieważ twój zbiór danych jest indeksowany czasowo. Dwa powszechne sposoby, w jakie rama czasowa zmienia dane, to:
- Zmiana okna obserwacji: Możesz obliczyć R Kwadrat, używając danych dziennych z jednego miesiąca w porównaniu z jednym rokiem. Dłuższe okno obejmuje więcej epizodów, więc zależność (jeśli istnieje) jest uśredniana w większej liczbie warunków.
- Zmiana okresu próbkowania/utrzymania pozycji: Możesz budować stopy zwrotu lub zmiany na różnych horyzontach (na przykład używając zmian jednodniowych w porównaniu ze zmianami wielodniowymi). Szereg zależny i struktura szumu ulegają zmianie, co zmienia dopasowanie, a tym samym R Kwadrat.
Ponieważ R Kwadrat zależy od reszt (rozbieżności między obserwowanymi wartościami a wynikami modelu), zmiana ramy czasowej zmienia wzorce reszt. To jest główny powód, dla którego wrażliwość na ramę czasową jest oczekiwana.
Wpływ scenariusza: wrażliwość na okresy obserwacji i utrzymania pozycji
Rozważ prosty scenariusz, w którym model przewiduje zmianę ceny, używając pewnej cechy pochodzącej z wcześniejszych danych. Jeśli obliczysz R Kwadrat na krótkiej ramie czasowej, możesz uchwycić okres, w którym model przypadkowo dopasowuje się do obserwowanego ruchu. W innej ramie czasowej—zwłaszcza takiej z inną równowagą między trendem a powrotem do średniej—ten sam model może generować większe reszty, obniżając R Kwadrat.
Podobny efekt występuje, gdy zmienia się okres utrzymania pozycji. Dłuższe okresy utrzymania często wygładzają niektóre codzienne wahania, ale mogą również wzmacniać zmiany reżimów. Krótkie horyzonty mogą być zdominowane przez szum mikro strukturalny, a ten szum może albo zmniejszyć siłę wyjaśniającą, albo zawyżyć pozorne dopasowanie, w zależności od tego, jak model jest skonstruowany i oceniany.
W obu przypadkach nie zmieniasz magicznej właściwości samego R Kwadrat; zmieniasz zbiór danych i zachowanie reszt, które R Kwadrat podsumowuje.
Ograniczenia i ryzyka
Istotnym ograniczeniem jest ryzyko nadmiernego dopasowania: wyższy R Kwadrat na jednej wybranej ramie czasowej nie dowodzi, że zależność jest stabilna. Kiedy rama czasowa jest wybrana w sposób, który faworyzuje konkretną próbkę, R Kwadrat może wyglądać na silny, nawet jeśli model zawodzi na nowych danych.
Inne tryby awarii obejmują:
- Mieszanie reżimów: Dłuższe okna łączą różne warunki rynkowe. Jeśli zależności różnią się między reżimami, pojedynczy R Kwadrat może maskować załamania.
- Niestacjonarność: Jeśli właściwości statystyczne szeregu zmieniają się w czasie, mapowanie od danych wejściowych do obserwowanych zmian może dryfować, czyniąc R Kwadrat zależnym od ramy czasowej.
- Niedopasowanie oceny: Jeśli obliczasz R Kwadrat na tym samym okresie, który został użyty do wyboru lub dostrojenia danych wejściowych, możesz uzyskać optymistyczne wartości, które nie uogólniają się.
Nic z tego nie oznacza, że R Kwadrat jest bezużyteczny; oznacza to, że R Kwadrat jest warunkowy względem wybranej ramy czasowej i metody oceny.
Weryfikacja lub kolejne pytanie
Ponieważ wrażliwość na ramę czasową jest oczekiwana, praktyczne podejście do weryfikacji polega na przeliczeniu R Kwadrat dla wielu okien (np. okien kroczących lub rozszerzających) przy zachowaniu spójnej definicji modelu. Następnie porównaj, jak bardzo R Kwadrat się zmienia.
Jeśli widzisz duże wahania, jest to dowód, że dopasowanie zależy od konkretnego okresu próbki, a nie odzwierciedla stabilnej zależności. Jeśli widzisz stale wysoki R Kwadrat w wielu niezależnych oknach, jest to silniejszy—ale wciąż nie gwarantowany—sygnał, ponieważ historyczne zależności nie ustanawiają przyszłych wyników.
Przydatne kolejne pytanie brzmi: Które wybory ramy czasowej najbardziej zmieniają zmienną zależną i strukturę szumu? To pomaga zrozumieć, dlaczego R Kwadrat zmienia się, gdy rama czasowa się zmienia.