什么是线性回归？
直接定义
线性回归是一种统计方法，用于通过一条直线来建模输入（通常称为 X）与结果（通常称为 Y）之间的关系。其目标是找到直线的参数（通常是斜率和截距），使该直线尽可能好地解释观测到的数据。
简单来说：如果你有一系列历史数据点，线性回归会尝试通过这些点画出一条最佳拟合直线。然后，通过将新的 X 值代入该直线方程，即可计算出对应的预测值。
线性回归的工作原理（机制与组成部分）
一个基本的线性回归模型形式如下：
- Y ≈ a + bX
其中：
- b（斜率） 表示当 X 增加一个单位时，Y 的变化程度。
- a（截距） 是当 X 为 0 时 Y 的预测值。
为了“拟合”这条直线，线性回归通常通过最小化预测值与观测值之间的误差度量来选择 a 和 b。常用的方法是最小二乘法，即最小化实际 Y 值与预测 Y 值之间的平方差之和。
你需要了解的假设
标准解释依赖于以下假设：
- 在分析期间，X 与 Y 之间存在大致的线性关系。
- 误差没有系统性偏差（通常描述为均值为零）。
- 误差具有大致恒定的离散程度（变异性无极端变化）。
即使这些假设仅近似成立，该方法仍可用于描述历史模式——但拟合结果并不自动意味着存在稳定、因果或未来的关联。
在外汇分析中的应用场景
在外汇相关的工作流程中，线性回归有时用于近似两个时间对齐序列之间的趋势性关系。例如，你可以将：
- X 视为时间步长（或另一个可测量量）
- Y 视为价格（如中间价、买价、卖价或收盘价——只要定义一致）
在此设定下，拟合的直线可提供一种简单方法，用于量化在选定窗口内 Y 是否呈上升或下降趋势，并计算拟合值或预测值。
重要提示：这只是对选定窗口内统计依赖性的近似。它无法预先“知道”市场方向，也无法纠正市场结构的变化。
实例或证据（含明确假设）
考虑一个包含 5 个观测值的示例数据集。假设你将 X 定义为时间索引 1, 2, 3, 4, 5，Y 定义为每一步的测量价格。
假设你应用最小二乘法回归来拟合 Y ≈ a + bX。算法将产生特定的 a 和 b 值，以最小化这五个点上的平方误差。拟合完成后，你可以计算：
- X = 1..5 的拟合值（衡量直线与历史数据点的接近程度）
- X = 6 的一步向前预测（即在训练窗口之外的预测值）
此示例展示了其机制：模型完全基于所提供历史样本的拟合效果，使用一条直线从 X 数值映射到估计的 Y 值。
主要局限性与失效模式
一个关键局限是：线性回归在分析期间关系大致呈线性且稳定时效果最佳。常见失效模式包括：
- 非线性关系：如果真实关系呈曲线状，直线会系统性地遗漏结构。
- 机制转换：外汇市场可能在不同行为之间切换。基于过去条件拟合的直线可能无法代表下一阶段。
- 过拟合：使用过多灵活性（例如，在未适当评估的情况下反复搜索窗口或特征）可能导致良好的历史拟合，但在样本外失效。
- 异方差性：如果变异性随时间变化，标准误差假设可能不成立，导致不确定性估计不可靠。
由于这些问题，历史“拟合”并不等同于未来可靠性。此外，实际交易结果还取决于交易成本和执行质量，除非你明确建模，否则这些因素不包含在线性回归拟合中。
如何独立验证事实
要验证线性回归在外汇情境中是否被恰当使用，你可以检查：
- 特征定义：X 到底是什么？Y 到底是什么（以及它们的测量是否一致）？
- 窗口与评估：拟合是否在未用于拟合的数据上进行了测试？