在哪些市场条件下线性回归表现不同？
直接回答
当您试图拟合的模式不稳定、非线性，或无法满足回归背后的假设条件（例如：关系强度一致、方差大致恒定、无系统性异常值）时，线性回归在不同市场条件下可能“表现不同”。当这些假设被削弱时，拟合出的直线可能仍能产生数值结果，但该数值将更难解释，难以在不同时间段之间进行比较，或作为解释工具依赖。
本文仅提供信息，不预测价格、不提供交易信号，也不承诺任何表现。相反，它解释了在何种情况下，相同的回归机制会产生显著不同的结果。
机制或定义
线性回归是一种通过最小化平方误差来估计最符合观测数据的直线（或线性关系）的统计方法。在简单形式中，您拟合的模型如下：
- 结果 = 截距 + (斜率 × 预测变量) + 误差
当数据生成过程发生变化时，“行为”也会改变：
- 如果真实关系大致呈线性且稳定，斜率和残差模式通常保持一致。
- 如果关系较弱、随时间变化或为非线性，即使使用相同方法，拟合出的斜率在不同样本中也可能显著不同。
将稳定的机制与可变的条件区分开来是有帮助的：
- 稳定机制：如何拟合直线（最小二乘法）以及残差代表什么（观测值与拟合直线之间的差异）。
- 可变条件：关系的可预测性、数据的噪声水平、是否存在机制转换，以及您的特征是否确实与所选结果呈线性关系。
证据或示例（条件比较）
考虑市场过程可能不同的两种假设情况，以及这在实践中如何改变线性回归“所做的事情”。
- 关系稳定性 vs. 机制转换
- 稳定条件：预测变量与结果之间的关系在样本窗口内保持相似。
- 不同条件：关系发生变化（机制转换）。如果您在早期与后期窗口重新拟合回归，斜率可能不同，残差可能显示结构（例如，一个时期误差多为正，另一个时期多为负）。
- 噪声水平与异常值
- 低噪声条件：误差看起来更随机，极端值较少。
- 高噪声或异常值条件：少数异常点可能对平方误差最小化产生不成比例的影响。拟合直线可能向异常值倾斜，基于残差的诊断可能揭示厚尾或非恒定误差分布。
- 线性 vs. 非线性
- 近似线性条件：最佳拟合直线能捕捉大部分系统性模式。
- 非线性条件：真实关系弯曲或存在阈值。回归可能平均减少误差，但残差仍可能呈现系统性模式，表明单一直线是较差的描述。
重要假设：这些示例关注的是解释和拟合行为，而非预测未来值。历史关系不能保证未来结果。
局限性与风险
至少一种主要的失效模式是假设不匹配：
- 非平稳性：如果统计关系发生变化，拟合参数可能随时间变化。相同的回归程序在不同窗口会产生不同的参数估计。
- 异方差性：如果误差方差随时间变化，平方误差拟合仍会产生一条直线，但比较和不确定性估计可能产生误导。
- 多重共线性（使用多个预测变量时）：共同变动的预测变量可能导致拟合系数不稳定——微小的数据变化可能导致系数大幅波动。
- 对有限样本的过拟合：特征过多或窗口过短时，模型可能拟合噪声，使训练期的诊断看起来比预期更好。
验证风险：即使回归在历史上拟合良好，交易成本和执行摩擦也可能影响实际可实现的结果。这些摩擦不会自动被仅对价格的统计拟合所捕捉。此外，结果取决于您选择的预测变量和结果（变量定义），这可能显著改变回归结果。
由于市场具有不确定性，您应将回归输出视为特定数据集和时间窗口的经验性描述，而非稳健、有保证的规则。
验证或下一个问题
要独立验证线性回归在您的条件下是否“表现不同”，请关注拟合结果的可观测属性：
- 在多个时间窗口中比较拟合参数和残差模式。
- 检查残差是否看起来随机而非有结构。
- 评估误差变异性是否稳定或变化。
- 在调整特征定义后重新估计，以测试敏感性。