R 平方中的发散意味着什么？
直接回答
“R 平方中的发散”是指当你在不同样本、时间段、数据集或计算设置之间进行比较时，解释拟合度的值（R 平方）并不保持一致。简单来说，之前产生“拟合”的关系在后来变得较弱、更强或性质上有所不同。即使使用相同的公式也可能发生这种情况，因为数据中的真实关系通常会随时间变化。
机制或定义
R 平方是一个统计量，用于总结模型输出在特定数据集中跟踪目标变量的程度。一个常见的直觉是：如果 R 平方值更高，则模型的预测与该数据集中的观测值更接近。
当人们提到“发散”时，通常指以下一种比较：
- 跨时间段： 在近期数据上计算的 R 平方与在较早数据上计算的结果不同。
- 跨资产或序列： 在不同金融工具或分组上重复相同模型时，R 平方值存在差异。
- 跨重新计算： 当底层输入（例如包含哪些观测值）发生变化时，R 平方值也随之改变。
为了具体说明，考虑一个带有明确假设的简单例子：你使用两个独立时期（时期 A 和时期 B）的观测值，对响应变量与某个特征进行线性回归，并计算 R 平方。如果时期 A 的 R 平方高于时期 B，则说明拟合“发散”了。这并非计算错误，而是两个时期之间的数据生成关系发生了变化。
证据或示例
一种常见的失败模式是将“拟合”视为稳定的。假设你在训练窗口上计算 R 平方，然后在更新的窗口上再次检查。如果新窗口的 R 平方显著降低，这种发散表明模型未能捕捉到稳定的关系。
另一个例子：你可以用两组不同的特征集测试相同的想法。第一种设置可能显示出较强的 R 平方，因为它捕捉到了特定样本中的噪声模式；而第二种设置可能泛化能力较差，导致 R 平方不同。这种发散提示你，早期结果可能依赖于特定数据集或假设。
在市场相关情境中，尤其是在条件变化的情况下，发散通常表明非平稳性：输入与输出之间的统计关系随时间变化。然而，重要的是要区分两种含义：
- 稳定机制： R 平方公式和回归设置是固定的。
- 可变环境： 由于动态变化，数据关系发生变化。
局限性与风险
R 平方发散本身并不是一个独立的交易信号，也不能预示未来结果。主要局限包括：
-
它可能反映非平稳性，而非“方向”。 发散仅告诉你拟合度发生了变化，但无法告诉你未来结果会改善还是恶化。
-
事后偏差可能扭曲解释。 如果你先查看 R 平方，再选择时间段、参数或评估周期以使结果看起来更有说服力，你可能会夸大“有意义”的程度。你注意到的发散可能受到你选择比较方式的影响。
-
不同假设会改变结果。 R 平方取决于模型形式和输入数据的预处理方式。如果两个团队使用不同的预处理方法、窗口长度或目标变量定义来计算 R 平方，“发散”可能源于方法论差异，而非真实潜在变化。
-
历史关系不能确立未来结果。 即使发散在过去的样本中一致出现，也无法保证相同模式会再次发生。
验证或下一个问题
要独立验证发散在你具体情况下的含义，可以在明确定义的样本上一致地重复相同计算：
- 使用相同的模型设定以及响应变量和预测变量的相同定义。
- 在多个不重叠的时间窗口上计算 R 平方。
- 报告 R 平方的大小以及变化在各窗口间是否一致。
一个有用的后续问题是：你所看到的发散是由哪些确切的样本和设置产生的？ 如果你能明确时间窗口（或数据集）、模型定义和计算步骤，就可以区分真实关系变化与测量或选择效应。