Linha de Regressão Linear A Linha de Regressão Linear é uma linha reta que melhor se ajusta aos preços entre um ponto de preço inicial e um ponto final de preço. Um quotbest fitquot significa que uma linha é construída onde há a menor quantidade de espaço entre os pontos de preço ea Linha de Regressão Linear real. A linha de regressão linear é usada principalmente para determinar a direção da tendência. Um gráfico do estoque de ATampT (T) é dado abaixo: Os comerciantes vêem geralmente a linha de regressão linear como o preço justo do valor para o futuro, o estoque, ou o par da moeda do estrangeiro. Quando os preços desviam acima ou abaixo, os comerciantes podem esperar que os preços voltem para a Linha de Regressão Linear. Como conseqüência, quando os preços estão abaixo da linha de regressão linear, isso pode ser visto por alguns comerciantes como um bom momento para comprar, e quando os preços estão acima da linha de regressão linear, um comerciante pode vender. É claro que outros indicadores técnicos seriam usados para confirmar esses sinais inexactos de compra e venda. Um indicador de análise técnica útil que utiliza uma linha de regressão linear é o Canal de Regressão Linear (ver: Canal de Regressão Linear), que dá sinais de compra e venda de potencial mais objetivo com base na volatilidade dos preços. As informações acima são apenas para fins informativos e de entretenimento e não constituem aconselhamento comercial ou uma solicitação para comprar ou vender qualquer ação, opção, futuro, mercadoria ou produto de forex. O desempenho passado não é necessariamente uma indicação de desempenho futuro. Negociação é inerentemente arriscado. OnlineTradingConcepts não será responsável por quaisquer danos especiais ou conseqüentes que resultem do uso ou da incapacidade de usar, os materiais e informações fornecidas por este site. Se você já se perguntou como duas ou mais coisas se relacionam umas com as outras, ou se você já teve seu chefe pedir-lhe para criar uma previsão ou analisar as relações entre as variáveis, em seguida, aprender regressão seria vale o seu tempo . Neste artigo, você aprenderá as noções básicas de regressão linear simples - uma ferramenta comumente usada na previsão e análise financeira. Começaremos aprendendo os princípios centrais da regressão, aprendendo primeiro sobre covariância e correlação e, em seguida, passando à construção e interpretação de uma saída de regressão. Um monte de software, como o Microsoft Excel pode fazer todos os cálculos de regressão e saídas para você, mas ainda é importante para aprender a mecânica subjacente. No centro da regressão está a relação entre duas variáveis denominadas variáveis dependentes e independentes. Por exemplo, suponha que você deseja prever as vendas para sua empresa e você concluiu que as vendas da sua empresa subir e descer dependendo das mudanças no PIB. As vendas que você está prevendo seriam a variável dependente porque seu valor depende do valor do PIB eo PIB seria a variável independente. Em seguida, você precisaria determinar a força da relação entre essas duas variáveis, a fim de prever as vendas. Se o PIB aumentar / diminuir em 1, quanto suas vendas aumentarão ou diminuirão Covariância A fórmula para calcular a relação entre duas variáveis é chamada covariância. Este cálculo mostra a direção da relação, bem como sua força relativa. Se uma variável aumenta ea outra variável tende a também aumentar, a covariância seria positiva. Se uma variável sobe e a outra tende a diminuir, então a covariância seria negativa. O número real que você obtém de calcular isso pode ser difícil de interpretar porque não é padronizado. Uma covariância de cinco, por exemplo, pode ser interpretada como uma relação positiva, mas a força da relação só pode ser dito ser mais forte do que se o número fosse quatro ou mais fraco do que se o número fosse seis. Coeficiente de Correlação É necessário padronizar a covariância para que possamos melhor interpretá-la e usá-la na previsão, eo resultado é o cálculo de correlação. O cálculo de correlação simplesmente toma a covariância e divide-a pelo produto do desvio padrão das duas variáveis. Isto irá ligar a correlação entre um valor de -1 e 1. Uma correlação de 1 pode ser interpretada como sugerindo que ambas as variáveis se movem perfeitamente positivamente entre si e um -1 implica que elas estão perfeitamente correlacionadas negativamente. Em nosso exemplo anterior, se a correlação for 1 e o PIB aumentar em 1, as vendas aumentarão em 1. Se a correlação for -1, um aumento no PIB resultaria em uma diminuição das vendas - exatamente o oposto. Equação de Regressão Agora que sabemos como a relação relativa entre as duas variáveis é calculada, podemos desenvolver uma equação de regressão para prever ou prever a variável que desejamos. Abaixo está a fórmula para uma regressão linear simples. O y é o valor que estamos tentando prever, o b é a inclinação da regressão, o x é o valor de nosso valor independente, eo a representa o intercepto-y. A equação de regressão simplesmente descreve a relação entre a variável dependente (y) ea variável independente (x). O intercepto, ou a, é o valor de y (variável dependente) se o valor de x (variável independente) for zero. Portanto, se não houve mudança no PIB, sua empresa ainda faria algumas vendas - esse valor, quando a mudança no PIB é zero, é a interceptação. Dê uma olhada no gráfico abaixo para ver uma representação gráfica de uma equação de regressão. Neste gráfico, há apenas cinco pontos de dados representados pelos cinco pontos no gráfico. A regressão linear tenta estimar uma linha que melhor se ajusta aos dados, ea equação dessa linha resulta na equação de regressão. Figura 1: Linha de melhor ajuste Interpretação As principais saídas que você precisa se preocupar para a regressão linear simples são o R-quadrado. O intercepto eo coeficiente do PIB. O número R-quadrado neste exemplo é 68.7 - isso mostra o quão bem nosso modelo prevê ou prevê as vendas futuras. Em seguida, temos uma intercepção de 34,58, o que nos diz que se a mudança no PIB foi prevista para ser zero, as vendas seriam cerca de 35 unidades. E por último, o coeficiente de correlação do PIB de 88,15 nos diz que se o PIB aumentar em 1, as vendas provavelmente subirão cerca de 88 unidades. A linha inferior Assim como você usaria este modelo simples em seu negócio Bem se sua pesquisa conduz você acreditar que a mudança seguinte do GDP será uma determinada porcentagem, você pode obstruir essa porcentagem no modelo e gerar uma previsão das vendas. Isso pode ajudá-lo a desenvolver um plano mais objetivo e orçamento para o próximo ano. Claro que isso é apenas uma regressão simples e existem modelos que você pode construir que usam várias variáveis independentes chamadas múltiplas regressões lineares. Mas múltiplas regressões lineares são mais complicadas e têm várias questões que precisam de outro artigo para discutir. A taxa de juros em que uma instituição depositária empresta fundos mantidos no Federal Reserve para outra instituição depositária. Uma carteira de títulos de renda fixa nos quais cada título tem uma data de vencimento significativamente diferente. O propósito de. A data de vencimento de vários futuros de índices de ações, opções de ações, opções de ações e futuros de ações individuais. Todas as ações. Um tipo de apólice de seguro onde o segurado paga uma quantidade especificada de despesas de bolso para serviços de saúde tal. Ações governamentais e políticas que restringem ou restringem o comércio internacional, muitas vezes feito com a intenção de proteger locais. Um fiduciário é uma pessoa que age em nome de outra pessoa, ou pessoas para gerenciar assets. Regression O que é Regression Regressão é uma medida estatística usada em finanças, investir e outras disciplinas que tenta determinar a força da relação entre uma variável dependente Geralmente denotado por Y) e uma série de outras variáveis variáveis (conhecidas como variáveis independentes). A regressão ajuda os gestores financeiros e de investimento a valorizar os activos e a compreender as relações entre as variáveis, como os preços das matérias-primas e os stocks das empresas que operam nessas matérias-primas. Carregar o leitor. BREAKING Down Regressão Os dois tipos básicos de regressão são regressão linear e regressão linear múltipla, embora existam métodos de regressão não-linear para dados e análises mais complicados. A regressão linear usa uma variável independente para explicar ou prever o resultado da variável dependente Y, enquanto a regressão múltipla usa duas ou mais variáveis independentes para predizer o resultado. A regressão pode ajudar os profissionais de finanças e investimento, bem como profissionais de outras empresas. A regressão pode ajudar a prever as vendas de uma empresa com base no tempo, nas vendas anteriores, no crescimento do PIB ou em outras condições. O modelo de precificação de ativos de capital (CAPM) é um modelo de regressão freqüentemente usado em finanças para a determinação de preços de ativos e descoberta de custos de capital. A forma geral de cada tipo de regressão é: Regressão linear: Y a bX u Y a variável que você está tentando predizer (variável dependente) X a variável que você está usando para prever Y (variável independente) a a intercepção u a regressão Regressão residual toma um grupo de variáveis aleatórias. Pensado para ser a previsão de Y, e tenta encontrar uma relação matemática entre eles. Esta relação é tipicamente na forma de uma linha reta (regressão linear) que melhor se aproxima de todos os pontos de dados individuais. Na regressão múltipla, as variáveis separadas são diferenciadas usando números com subscrito. Regressão em Investimentos A regressão é freqüentemente usada para determinar quantos fatores específicos, como o preço de uma mercadoria, as taxas de juros. Determinadas indústrias ou setores influenciam a movimentação de preços de um ativo. O referido CAPM é baseado em regressão, e é utilizado para projetar os retornos esperados para as ações e gerar custos de capital. Os retornos de ações são regredidos contra os retornos de um índice mais amplo, como o SP 500, para gerar um beta para o estoque específico. Beta é o risco de ações em relação ao mercado ou índice e é refletido como a inclinação no modelo CAPM. O retorno esperado para o estoque em questão seria a variável dependente Y, enquanto que a variável independente X seria o prêmio de risco de mercado. Variáveis adicionais, como a capitalização de mercado de ações, índices de avaliação e retornos recentes podem ser adicionadas ao modelo CAPM para obter melhores estimativas de retornos. Esses fatores adicionais são conhecidos como Fatores Fama-Franceses, nomeados após os professores que desenvolveram o modelo de regressão linear múltipla para melhor explicar os retornos dos ativos.
Comments
Post a Comment