R 平方在外汇情境中的局限性有哪些？
定义 R 平方（以及它不是什么）
R 平方（通常写作 R²）是一种统计量，用于衡量在给定数据集上，一个指定模型能解释观测结果中多大比例的变化。简单来说，它总结了模型的拟合线或曲线与历史数据的接近程度。
一个关键的局限性随之而来：R 平方描述的是对数据的拟合程度，而不是结果的保证。高 R 平方值意味着所选关系很好地匹配了历史样本；但这并不意味着该关系在未来仍会成立。
R 平方在实际设置中的工作方式
要计算 R 平方，通常需要将模型预测值与同一历史时期的实测值进行比较。该统计量取决于：
- 你选择的模型形式（例如，线性与非线性关系）。
- 你建模的因变量（例如，收益率 vs. 价格水平）。
- 你包含的自变量。
- 数据集的时间窗口和采样选择（具体的时间范围以及观测值的间隔方式）。
由于这些选择是测量的一部分，R 平方并不是“市场”的普遍属性。它是特定关系在特定历史样本上测得的属性。
失效模式的证据与实例
一种常见的失效模式是过拟合。如果模型足够灵活以跟随噪声，它可能实现很强的历史拟合，从而人为抬高 R 平方值，即使该关系并不稳定。
另一种失效模式是市场机制变化。市场可能在不同的波动性或流动性条件下转换。当数据生成过程发生变化时，曾产生高 R 平方值的历史关系可能会减弱或消失，从而降低未来的解释力。
第三种失效模式是数据管道中变量质量与条件的变化。如果你的实际观测值包含了建模中未体现的影响（如交易成本、不同的执行时机或不一致的数据来源），历史拟合可能无法转化为实际结果。即使统计拟合看起来良好，“现实世界”中的测量仍可能偏离。
最后，当建模目标不恰当时，R 平方可能具有误导性。例如，对绝对价格水平建模通常会引入非平稳行为。R 平方可能因共享趋势而显得很高，但该关系对你所关心的根本问题可能并无实际意义。
你需要独立验证的局限性与风险
R 平方存在显著的局限性，值得明确检查：
-
它依赖于假设条件。 如果数据集窗口、变量或模型形式发生变化，R 平方也可能随之改变。这意味着你应该将 R 平方视为条件性证据，而非独立结论。
-
历史关系不能保证未来结果。 即使某一时期 R 平方看起来稳定，也不能排除该关系在新的市场条件下破裂。
-
成本与执行可能使“已解释的变异”失效。 统计拟合可能忽略实际摩擦，因此你应区分解释力与实际实现的绩效。
-
单个数字摘要可能掩盖结构。 两个模型可能产生相似的 R 平方，但在残差行为上存在差异（例如，误差是随机的还是聚集的）。这一点很重要，因为残差中的模式表明模型可能遗漏了重要因素。
-
不确定性不能仅由 R 平方直接表达。 R 平方总结了拟合度，但它不会自动告诉你拟合在重采样中的稳定性，或对微小数据变化的敏感性。
验证与后续问题：使概念可检验
为了在你的使用场景中独立验证 R 平方的含义，你可以测试所测关系的稳定性，而不是依赖单一数值：
- 使用相同的模型设置，在多个时间窗口（例如，较早与较晚时期）之间比较结果。
- 检查在改变采样频率或时间范围后，该关系是否仍然存在。
- 检查残差是否表现出系统性模式，而不仅仅是整体拟合是否看起来很强。
- 确认因变量和模型形式是否与你希望解释的决策相关量一致。
一个有用的后续问题不仅是“R 平方是多少？”，还包括“需要哪些假设、数据选择和市场条件，才能使该关系保持解释力？”