Was sind die gängigsten Arten von Regressionen, die Anleger verwenden können?

My Friend Irma: The Red Hand / Billy Boy, the Boxer / The Professor's Concerto (November 2024)

My Friend Irma: The Red Hand / Billy Boy, the Boxer / The Professor's Concerto (November 2024)
Was sind die gängigsten Arten von Regressionen, die Anleger verwenden können?

Inhaltsverzeichnis:

Anonim
a:

Die häufigsten Regressionstypen, die ein Investor verwenden kann, sind lineare Regressionen und multiple lineare Regressionen. Regressionen sind statistische Techniken, um Beziehungen zwischen Variablen zu identifizieren. Die Variablen, mit denen sich die meisten Anleger befassen, sind die Preise von Vermögenswerten.

Lineare Regressionen

Eine lineare Regression identifiziert die Beziehung zwischen einer unabhängigen Variablen und einer abhängigen Variablen. Anleger möchten möglicherweise die Beziehung zwischen zwei Vermögenswerten identifizieren. Zum Beispiel kann der Investor die Beziehung zwischen den Preisänderungen in einer einzelnen Aktie und den Preisänderungen in einem größeren Aktienindex finden wollen. In diesem Fall ist der Marktindex die unabhängige Variable und der individuelle Aktienkurs ist die abhängige Variable. Die Regressionsanalyse formuliert die Hypothese, dass die Bewegung in einer Variablen, dem Independent Stock, von der Bewegung im Aktienindex abhängt.

Die Regressionsanalyse identifiziert eine lineare Regressionslinie zwischen den Variablen unter Verwendung der Least-Squares-Methode der besten Anpassung. Eine lineare Regressionsanalyse zeigt eine Linie zwischen den Beobachtungen. Der Fehlerterm aus der Berechnung zeigt, wie weit die Beobachtungen von der Linie für die lineare Regression entfernt sind.

Multiple lineare Regressionen

Multiple lineare Regressionen modellieren die lineare Beziehung zwischen mehreren erklärenden Variablen und einer Antwortvariablen. Die Beziehung wird unter Verwendung einer geraden Linie modelliert, die eine beste Übereinstimmung für die Beobachtungen der Daten approximiert. Anleger können den Preis eines Vermögenswerts als Antwortvariable basierend auf anderen fundamentalen oder quantitativen Datenpunkten modellieren. Dies ermöglicht eine komplexere Modellierung gegenüber einzelnen linearen Regressionen. Zum Beispiel könnte ein Anleger, der versucht, den Preis einer Ölaktie vorherzusagen, möglicherweise die vorherrschenden Zinssätze, Indexraten und den Preis von Rohöl-Futures in dem Modell berücksichtigen.