如何在外汇投资中使用线性代数：线性回归的有限视角
直接答案：线性代数在外汇用例中的位置
线性代数主要通过线性回归进入外汇分析，这是一种可以使用向量和矩阵表示的统计方法。与其依赖“信号”，不如使用回归来量化输入（特征）与结果（例如回报）之间的关系，并通过矩阵运算计算出拟合模型。
在实践中，“使用线性代数”通常意味着：
- 将你的数据表示为设计矩阵（行为观测值，列为特征），
- 使用矩阵代数估计回归系数，
- 验证决定拟合系数是否有意义的假设条件。
解释：线性回归中的线性代数机制
假设你有按时间索引的观测值 t = 1…T。选择：
- 一个结果 y（通常是回报序列，或其他数值目标），
- 一组特征 x1…xk（数值预测变量）。
- 构建设计矩阵 X
- 如果包含截距项，X 是一个 T×(k+1) 矩阵。通常有一列全为 1，用于表示截距。
- 以向量形式写出线性模型
常见形式为：
- y ≈ Xβ + ε
其中： - y 是一个 T×1 向量，
- β 是一个 (k+1)×1 的系数向量，
- ε 是误差项。
-
使用基于矩阵的公式估计系数
在标准假设下，系数可通过最小二乘法估计，这可以用矩阵代数表达。该方法生成的 β 能最小化 y 与 Xβ 之间的平方误差。 -
从拟合模型中进行预测
拟合值为 ŷ = Xβ。你可以将 ŷ 与保留数据进行比较，以评估该关系在样本外的表现。
你可以独立运行的对比检查
为了理解回归是否不仅仅是曲线拟合，你可以比较：
- 样本内拟合（与用于估计 β 的数据匹配程度）
- 与 样本外拟合（与未用于估计的新数据匹配程度）。
还可以通过在不同时间段窗口重新拟合并比较系数大小和符号，检查拟合关系在时间上的稳定性。
示例概念：将回归应用于外汇特征
一种典型设置是将回报或价格变动 y 建模为从早期观测值导出的特征的函数，例如：
- 价格或回报的滞后值，
- 从历史数据计算的滚动统计量（均值或波动率指标），
- 这些指标的简单交叉乘积或标准化变换。
即使不指定具体特征，工作流程也是一致的：
- 选择 y 和特征 x1…xk，
- 构建 X 并估计 β，
- 评估样本外表现，
- 验证模型假设和数据处理选择是否合理。
局限性和风险：线性代数无法消除的问题
线性代数提供了一种计算模型的方法，但不能保证其在外汇中的实用性。主要局限包括：
- 误差结构的假设：普通最小二乘法的解释依赖于可能不适用于金融时间序列的条件。
- 非平稳性：关系可能随时间变化，因此在一个时期拟合的系数可能无法迁移。
- 过拟合：使用过多特征或灵活变换可能导致良好的样本内拟合，但样本外行为不稳定。
- 不确定性：即使计算正确，估计的系数和性能指标仍存在统计不确定性。
- 数据泄露：如果特征意外包含了相对于 y 的未来信息，结果可能人为地显得很强。
由于这些限制，线性回归最可验证的用途是作为衡量和测试框架——而不是对未来结果的承诺。任何关于性能的声明都应与清晰的实验设计（例如基于时间的划分）和适当的不确定性报告相关联。