Mehrere Regressionsanalysen mit Stata Einführung Multiple Regression (eine Erweiterung der einfachen linearen Regression) wird verwendet, um den Wert einer abhängigen Variablen (auch als Ergebnisvariable bekannt) auf Basis des Wertes von zwei oder mehr unabhängigen Variablen (auch als Prädiktorvariablen bekannt) vorhersagen zu können ). Zum Beispiel können Sie mehrere Regression, um festzustellen, ob Prüfung Angst vorhergesagt werden kann, basierend auf Kursmarke, Revision Zeit, Vorlesung Teilnahme und IQ Score (dh die abhängige Variable wäre Prüfung Angst, und die vier unabhängigen Variablen wäre coursework Marke, Revision Zeit, Vorlesung und IQ). Alternativ könnten Sie die Mehrfachregression verwenden, um zu ermitteln, ob das Einkommen aufgrund des Alters, des Geschlechts und des Bildungsniveaus vorhergesagt werden kann (d. H. Die abhängige Variable wäre Einkommen und die drei unabhängigen Variablen würden Alter, Geschlecht und Bildungsniveau sein). Wenn Sie eine dichotomabhängige Variable haben, können Sie eine binomiale logistische Regression verwenden. Multiple Regression ermöglicht es Ihnen auch, die Gesamtanpassung (Varianz erklärt) des Modells und den relativen Beitrag jeder der unabhängigen Variablen zur Gesamtvarianz zu ermitteln. Zum Beispiel möchten Sie vielleicht wissen, wie viel von der Variation in der Prüfung Angst durch Coursework Marke, Revision Zeit, Vortrag Teilnahme und IQ-Score als Ganzes erklärt werden kann, sondern auch den relativen Beitrag der einzelnen unabhängigen Variablen bei der Erklärung der Varianz. Diese Kurzanleitung zeigt Ihnen, wie Sie mehrere Regression mit Stata durchführen und wie Sie die Ergebnisse aus diesem Test interpretieren und melden können. Bevor wir Ihnen dieses Verfahren vorstellen, müssen Sie jedoch die unterschiedlichen Annahmen verstehen, die Ihre Daten erfüllen müssen, damit mehrere Regression ein gültiges Ergebnis liefern kann. Wir diskutieren diese Annahmen als nächstes. Annahmen Es gibt acht Annahmen, die mehrere Regression untermauern. Wenn eine dieser acht Annahmen nicht erfüllt ist, können Sie Ihre Daten nicht mithilfe mehrerer Regression analysieren, da Sie kein gültiges Ergebnis erhalten. Da die Annahmen 1 und 2 sich auf Ihre Wahl der Variablen beziehen, können sie nicht für die Verwendung von Stata getestet werden. Allerdings sollten Sie entscheiden, ob Ihre Studie erfüllt diese Annahmen, bevor Sie fortfahren. Annahme 1: Ihre abhängige Variable sollte auf der kontinuierlichen Ebene gemessen werden. Beispiele für solche kontinuierlichen Variablen sind die Höhe (gemessen in Fuß und Inch), die Temperatur (gemessen in 176C), das Gehalt (gemessen in US-Dollar), die Revisionszeit (gemessen in Stunden), die Intelligenz (gemessen mit IQ-Wert), die Reaktionszeit (gemessen In Millisekunden), Testleistung (gemessen von 0 bis 100), Umsatz (gemessen in Anzahl der Transaktionen pro Monat) und so weiter. Wenn Sie sich nicht sicher sind, ob Ihre abhängige Variable kontinuierlich ist (d. H. Auf der Intervall - oder der Verhältnisstufe), finden Sie in unseren Variablen-Typen. Annahme 2: Sie haben zwei oder mehr unabhängige Variablen. Die auf kontinuierlicher oder kategorischer Ebene gemessen werden sollten. Beispiele für kontinuierliche Variablen. Siehe die Aufzählung oben. Beispiele für kategorische Variablen sind Geschlecht (zB 2 Gruppen: männlich und weiblich), Ethnizität (zB 3 Gruppen: Kaukasier, Afroamerikaner und Hispanic), körperliche Aktivität (zB 4 Gruppen: sesshaft, niedrig, mäßig und hoch), Beruf (z 5 Gruppen: Chirurg, Arzt, Krankenschwester, Zahnarzt, Therapeut) und so weiter. In diesem Handbuch zeigen wir Ihnen das multiple Regressionsverfahren, weil wir eine Mischung aus kontinuierlichen und kategorialen unabhängigen Variablen haben. Anmerkung: Wenn Sie nur kategoriale unabhängige Variablen haben (dh keine kontinuierlichen unabhängigen Variablen), ist es üblicher, die Analyse aus der Perspektive einer Zwei-Wege-ANOVA (für zwei kategoriale unabhängige Variablen) oder faktorielle ANOVA (für drei oder mehr kategorische Unabhängige Variablen) anstelle mehrerer Regression. Glücklicherweise können Sie Annahmen 3, 4, 5, 6, 7 und 8 mit Stata überprüfen. Wenn wir uns auf die Annahmen 3, 4, 5, 6, 7 und 8 begeben, empfehlen wir, diese in dieser Reihenfolge zu testen, da sie einen Auftrag repräsentiert, bei dem ein Verstoß gegen die Annahme nicht mehr korrigierbar ist Regression. In der Tat, nicht wundern, wenn Ihre Daten nicht eine oder mehrere dieser Annahmen, da dies ziemlich typisch ist, wenn die Arbeit mit realen Daten anstatt Lehrbuch Beispiele, die oft nur zeigen, wie die Durchführung linearer Regression, wenn alles gut geht. Jedoch sorgen sich nicht, weil, selbst wenn Ihre Daten bestimmte Annahmen ausfallen, es häufig eine Lösung gibt, zum dieses zu überwinden (zB Ihre Daten zu verwandeln oder mit einem anderen statistischen Test anstatt). Denken Sie daran, dass die Ergebnisse, die Sie beim Ausführen mehrerer Regression erhalten, nicht gültig sind, wenn Sie nicht überprüfen, ob Daten diese Annahmen erfüllen oder ob Sie sie korrekt testen. Annahme 3: Sie sollten Unabhängigkeit von Beobachtungen haben (d. H. Unabhängigkeit von Residuen), die Sie unter Verwendung der Durbin-Watson-Statistik in Stata einsehen können. Annahme 4: Es muss eine lineare Beziehung zwischen (a) der abhängigen Variablen und jeder Ihrer unabhängigen Variablen und (b) der abhängigen Variablen und den unabhängigen Variablen zusammen sein. Sie können die Linearität in Stata anhand von Streudiagrammen und partiellen Regressionsdiagrammen überprüfen. Annahme 5: Ihre Daten müssen Homosedastizität zeigen. Wo die Abweichungen entlang der Linie der besten Passform bleiben ähnlich, wie Sie entlang der Linie bewegen. Sie können auf Homosedastizität in Stata überprüfen, indem Sie die studierten Residuen auf die nicht standardisierten vorhergesagten Werte skizzieren. Annahme 6: Ihre Daten dürfen keine Multikollinearität aufweisen. Die auftreten, wenn Sie zwei oder mehr unabhängige Variablen haben, die stark miteinander korreliert sind. Sie können diese Annahme in Stata durch eine Inspektion von Korrelationskoeffizienten und ToleranceVIF-Werten überprüfen. Annahme 7: Es sollten keine signifikanten Ausreißer vorhanden sein. Hohe Hebelpunkte oder stark einflussreiche Punkte. Die Beobachtungen in Ihrem Datensatz darstellen, die in gewisser Weise ungewöhnlich sind. Diese können einen sehr negativen Effekt auf die Regressionsgleichung haben, die verwendet wird, um den Wert der abhängigen Variablen basierend auf den unabhängigen Variablen vorherzusagen. Sie können mit Stata auf Ausreißer, Hebelpunkte und Einflusspunkte überprüfen. Annahme 8: Die Residuen (Fehler) sollten annähernd normal verteilt sein. Die Sie mit einem Histogramm (mit einer überlagerten Normalkurve) und Normal P-P-Plot oder einem Normal Q-Q-Plot der studierten Residuen überprüfen können. In der Praxis wird die Überprüfung der Annahmen 3, 4, 5, 6, 7 und 8 voraussichtlich die meiste Zeit in Anspruch nehmen, wenn die Mehrfachregression durchgeführt wird. Allerdings ist es keine schwierige Aufgabe, und Stata bietet alle Werkzeuge, die Sie benötigen, um dies zu tun. Im Abschnitt Testverfahren in Stata. Veranschaulichen wir die Stata-Prozedur, die erforderlich ist, um multiple Regression unter der Annahme durchzuführen, dass keine Annahmen verletzt wurden. Zuerst beschreiben wir das Beispiel, das wir verwenden, um das multiple Regressionsverfahren in Stata zu erklären. Ein Gesundheitsforscher möchte in der Lage sein, VO 2 max vorherzusagen, ein Indikator für Fitness und Gesundheit. Normalerweise erfordert, um dieses Verfahren durchzuführen, teure Laborausrüstung und erfordert, dass Einzelpersonen ihr Maximum ausüben (d. h. bis sie nicht länger weiter trainieren können aufgrund physischer Erschöpfung). Dies kann Personen, die nicht sehr aktiv sind und diejenigen, die ein höheres Risiko für Krankheiten (z. B. ältere ungenießbare Themen) sein könnten, ablegen. Aus diesen Gründen war es wünschenswert, eine Methode zur Vorhersage eines Individuums VO 2 max zu finden, basierend auf Attributen, die leichter und billiger gemessen werden können. Zu diesem Zweck rekrutiert ein Forscher 100 Teilnehmer, um einen maximalen VO 2 max Test durchzuführen, aber auch ihr Alter, Gewicht, Herzfrequenz und Geschlecht aufgezeichnet. Herzfrequenz ist der Durchschnitt der letzten 5 Minuten einer 20-minütigen, viel einfacher, niedrigeren Workload-Zyklus-Test. Das Ziel der Forscher ist es, VO 2 max basierend auf diesen vier Attributen vorherzusagen: Alter, Gewicht, Herzfrequenz und Geschlecht. Hinweis: Das Beispiel und die Daten, die für dieses Handbuch verwendet werden, sind fiktiv. Wir haben sie gerade für die Zwecke dieses Leitfadens erstellt. Setup in Stata In Stata haben wir fünf Variablen erstellt: (1) VO 2 max. Die die maximale aerobe Kapazität (d. H. Die abhängige Variable) und (2) Alter ist. Die die Teilnehmer Alter (3) Gewicht ist. Das ist die Teilnehmer Gewicht (technisch, es ist ihre Masse) (4) Herzfrequenz. Die die Teilnehmer-Herzfrequenz und (5) Geschlecht ist. Die das Geschlecht der Teilnehmer ist (d. h. die unabhängigen Variablen). Nach der Erstellung dieser fünf Variablen haben wir die Scores für jeden in die fünf Spalten der Dateneditor-Tabelle (Bearbeiten), wie unten gezeigt, eingegeben: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Testverfahren in Stata In diesem Abschnitt zeigen wir Ihnen, wie Sie Ihre Daten mithilfe mehrerer Regression in Stata analysieren können, wenn die acht Annahmen im vorherigen Abschnitt, Annahmen. Nicht verletzt worden sind. Sie können mehrere Regression mit Code oder grafische Benutzeroberfläche (GUI) durchführen. Nachdem Sie Ihre Analyse durchgeführt haben, zeigen wir Ihnen, wie Sie Ihre Ergebnisse interpretieren können. Wählen Sie zuerst aus, ob Sie den Code oder die grafische Benutzeroberfläche (GUI) verwenden möchten. Der Code zum Ausführen mehrerer Regression auf Ihre Daten hat die Form: regress DependentVariable IndependentVariable1 IndependentVariable2 IndependentVariable3 IndependentVariable4 Verwenden Sie unser Beispiel, in dem die abhängige Variable VO2max ist und die vier unabhängigen Variablen sind Alter. Gewicht. Herzfrequenz und Geschlecht. Würde der erforderliche Code sein: regress VO2max Alter Gewicht Herzrate i. gender Hinweis: Youll sehen aus dem obigen Code, dass kontinuierliche unabhängige Variablen einfach so eingegeben werden, wie es ist, während kategoriale unabhängige Variablen das Präfix i haben (zB Alter für Alter, da dies ein Kontinuierliche unabhängige Variable, aber i. gender für Geschlecht, da es sich um eine kategoriale unabhängige Variable handelt). Geben Sie daher den Code, Regress VO2max Alter Gewicht Herzfrequenz i. gender. Und drücken Sie die ReturnEnter-Taste auf Ihrer Tastatur. Sie können die Stata-Ausgabe sehen, die hier erzeugt wird. Grafische Benutzeroberfläche (GUI) Die sieben Schritte, die für die Durchführung mehrfacher Regression in Stata erforderlich sind, sind nachfolgend aufgeführt: Klicken Sie auf Statistics gt Lineare Modelle und verwandte gt Lineare Regression im Hauptmenü, wie unten gezeigt: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Anmerkung: Dont worry, dass youre Auswahl von Statistiken gt Lineare Modelle und verwandte gt Lineare Regression im Hauptmenü, oder dass die Dialogfelder in den Schritten, die folgen, haben den Titel, Lineare Regression. Sie haben keinen Fehler gemacht. Sie sind an der richtigen Stelle, um das mehrfache Regressionsverfahren durchzuführen. Dies ist nur der Titel, den Stata gibt, auch wenn ein mehrfaches Regressionsverfahren ausgeführt wird. Sie werden mit dem Regress - Linear Regression Dialogfeld dargestellt, wie unten gezeigt: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Wählen Sie die abhängige Variable VO2max aus. Aus der abhängigen Variable: Feld und wählen Sie die kontinuierliche unabhängige Variablen, Alter. Gewicht und Herzfrequenz aus dem Feld "Unabhängige Variablen: Box" mit dem Dropdown-Button, wie unten gezeigt: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Wählen Sie die kategoriale unabhängige Variable, Geschlecht. Aus der Independent-Variablen: box, indem Sie zuerst auf die Schaltfläche klicken. Daraufhin erhalten Sie die folgende Dialogbox, in der Ihre ununterbrochenen unabhängigen Variablen (Alter, Gewicht und Herzfrequenz) bereits in das Feld Varlist eingetragen sind: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Leave Factor-Variable, die im ndashType des variablendash Bereichs ausgewählt wird. Als nächstes, im ndashAdd Faktor variablendash Bereich, verlassen in der Spezifikation ausgewählt: Feld. Wählen Sie nun Geschlecht im Feld Variablen über die Dropdown-Schaltfläche aus, und wählen Sie dann Standard im Feld Basis aus. Klicken Sie abschließend auf die Schaltfläche. Sie erhalten folgende Dialogbox, in der die kategoriale unabhängige Variable i. gender. Wurde in das Feld Varlist eingefügt: Feld: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Drück den Knopf. Sie gelangen zurück in die Regress - Linear Regression Dialogbox, aber mit der kategorialen unabhängigen Variable i. gender. Jetzt in das Feld Unabhängige Variablen eingegeben: Feld, wie unten gezeigt: Veröffentlicht mit schriftlicher Genehmigung von StataCorp LP. Drück den Knopf. Dadurch wird die Ausgabe erzeugt. Interpretation und Berichterstattung der Stata-Ausgabe der Multiple Regressionsanalyse Stata generiert ein Einzelstück für eine multiple Regressionsanalyse, basierend auf den oben getroffenen Selektionen, wobei angenommen wird, dass die acht Annahmen, die für eine multiple Regression erforderlich sind, erfüllt sind. Bestimmen, wie gut das Modell für R 2 und R 2 angepasst ist, kann verwendet werden, um zu bestimmen, wie gut ein Regressionsmodell für die Daten passt: Die R-Quadrat-Reihe repräsentiert den R 2 - Wert (auch Bestimmungskoeffizient genannt) Der Varianz in der abhängigen Variablen, die durch die unabhängigen Variablen erklärt werden kann (technisch gesehen ist es der Anteil der Variation, der durch das Regressionsmodell über und über das mittlere Modell hinaus berücksichtigt wird). Aus unserem Wert von 0,577 ergibt sich, dass unsere unabhängigen Variablen 57,7 der Variabilität unserer abhängigen Variablen VO 2 max erklären. Allerdings müssen Sie auch in der Lage sein, Adj R-squared (adj. R 2) zu interpretieren, um Ihre Daten genau zu melden. Statistische Signifikanz Das F-ratio prüft, ob das gesamte Regressionsmodell für die Daten gut geeignet ist. Die Ausgabe zeigt, dass die unabhängigen Variablen die abhängige Variable F (4, 95) 32.39, p lt .0005 statistisch signifikant vorhersagen (d. h. das Regressionsmodell ist eine gute Anpassung der Daten). Geschätzte Modellkoeffizienten Die allgemeine Form der Gleichung, um VO 2 max vom Alter vorherzusagen. Gewicht. Herzfrequenz und Geschlecht: vorhergesagt VO 2 max 87.83 ndash (0.165 x Alter) ndash (0.385 x Gewicht) ndash (0.118 x Herzrate) (13.208 x Geschlecht) Dies ergibt sich aus dem Coef. Spalte, wie unten gezeigt: Nichtstandardisierte Koeffizienten geben an, wieviel die abhängige Variable mit einer unabhängigen Variablen variiert, wenn alle anderen unabhängigen Variablen konstant gehalten werden. Betrachten wir die Wirkung des Alters in diesem Beispiel. Der nichtstandardisierte Koeffizient B & sub1; Für das Alter ist gleich -0.165 (siehe die erste Zeile der Coef-Spalte). Dies bedeutet, dass für jeden 1 Jahr steigenden Alter, gibt es eine Abnahme in VO 2 max von 0,165 mlminkg. Statistische Signifikanz der unabhängigen Variablen Sie können die statistische Signifikanz der einzelnen unabhängigen Variablen testen. Dies prüft, ob die nicht standardisierten Koeffizienten gleich 0 (Null) in der Population sind. Wenn p lt .05, können Sie schließen, dass die Koeffizienten statistisch signifikant verschieden von 0 (Null) sind. Der t-Wert und der entsprechende p-Wert befinden sich in der Spalte t bzw. Pgtt, wie unten hervorgehoben: Aus der Pgtt-Spalte können Sie sehen, dass alle unabhängigen Variablenkoeffizienten statistisch signifikant verschieden von 0 (Null) sind. Obwohl das Intercept, B 0. Für statistische Signifikanz getestet wird, ist dies selten ein wichtiger oder interessanter Befund. Berichte über die Ausgabe der multiplen Regressionsanalyse Sie können die Ergebnisse folgendermaßen aufschreiben: Eine multiple Regression wurde durchgeführt, um VO 2 max aus Geschlecht, Alter, Gewicht und Herzfrequenz vorherzusagen. Diese Variablen prognostizieren statistisch signifikant VO 2 max, F (4, 95) 32.39, p lt .0005, R2.577. Alle vier Variablen addierten statistisch signifikant zur Vorhersage, p lt .05.Die lineare Regression von Zeit und Preis Technische und quantitative Analysten haben statistische Prinzipien auf den Finanzmarkt seit seiner Gründung angewendet. Einige Versuche waren sehr erfolgreich, während einige waren alles andere als. Der Schlüssel ist, einen Weg, um Preis-Trends zu identifizieren, ohne die Fehlbarkeit und Bias des menschlichen Geistes zu finden. Ein Ansatz, der für Investoren erfolgreich sein kann und in den meisten Charting-Tools verfügbar ist, ist eine lineare Regression. Lineare Regression analysiert zwei separate Variablen, um eine einzige Beziehung zu definieren. In der Diagrammanalyse. Dies bezieht sich auf die Variablen von Preis und Zeit. Investoren und Händler, die Diagramme verwenden, erkennen die Höhen und Tiefen des Preises, der von Tag zu Tag, Minute zu Minute oder Woche zu Woche horizontal gedruckt wird, abhängig vom ausgewerteten Zeitrahmen. Die unterschiedlichen Marktansätze machen die lineare Regressionsanalyse so attraktiv. (Erfahren Sie mehr über quantitative Analyse in der quantitativen Analyse von Hedge Fonds.) Bell Kurve Grundlagen Statistiker haben die Glockenkurve Methode, auch bekannt als eine normale Verteilung verwendet. Um einen bestimmten Satz von Datenpunkten auszuwerten. Fig. 1 ist ein Beispiel einer Glockenkurve, die durch die dunkelblaue Linie bezeichnet ist. Die Glockenkurve stellt die Form der verschiedenen Datenpunktereignisse dar. Die Masse der Punkte erfolgt in der Regel in Richtung der Mitte der Glockenkurve, aber im Laufe der Zeit, die Punkte streunen oder von der Bevölkerung abweichen. Ungewöhnliche oder seltene Punkte sind manchmal weit außerhalb der normalen Bevölkerung. Abbildung 1: Eine Glockenkurve, Normalverteilung. Als Bezugspunkt ist es üblich, die Werte zu mitteln, um eine mittlere Punktzahl zu erzeugen. Der Mittelwert repräsentiert nicht notwendigerweise die Mitte der Daten und repräsentiert stattdessen die mittlere Punktzahl einschließlich aller abgelegenen Datenpunkte. Nachdem ein Mittel ermittelt wurde, bestimmen Analytiker, wie oft der Preis vom Mittelwert abweicht. Eine Standardabweichung zu einer Seite des Mittelwerts ist gewöhnlich 34 der Daten oder 68 der Datenpunkte, wenn man eine positive und eine negative Standardabweichung betrachtet, die durch den orangefarbenen Pfeilabschnitt dargestellt wird. Zwei Standardabweichungen umfassen etwa 95 der Datenpunkte und sind die zusammengesetzten orange und rosa Abschnitte. Die sehr seltenen Erscheinungen, dargestellt durch purpurrote Pfeile, treten an den Schwänzen der Glockenkurve auf. Da jeder Datenpunkt, der außerhalb von zwei Standardabweichungen auftritt, sehr selten ist, wird oft angenommen, daß die Datenpunkte zum Mittelwert zurückkehren oder zurückgehen. (Für weitere Informationen siehe Moderne Portfolio Theory Stats Primer.) Aktienkurs als Datensatz Stellen Sie sich vor, wenn wir die Glockenkurve genommen, drehte sie auf die Seite und wandte sie auf ein Aktiendiagramm. Dies würde uns erlauben, zu sehen, wann eine Sicherheit überkauft oder überverkauft ist und bereit ist, auf den Mittelwert zurückzukehren. In Abbildung 2 wird die lineare Regressionsstudie dem Diagramm hinzugefügt, was den Investoren den blauen Außenkanal und die lineare Regressionslinie durch die Mitte unserer Preispunkte gibt. Dieser Kanal zeigt den Anlegern den aktuellen Preisverlauf und liefert einen Mittelwert. Unter Verwendung einer variablen linearen Regression können wir einen schmalen Kanal bei einer Standardabweichung oder 68 einstellen, um grüne Kanäle zu erzeugen. Während es keine Glockenkurve gibt, können wir sehen, dass der Preis jetzt die Glockenkurven-Divisionen widerspiegelt, die in Abbildung 1 vermerkt sind. Abbildung 2: Abbildung des Handels der mittleren Reversion unter Verwendung von vier Punkten Trading the Mean Reversion Dieses Setup wird leicht mit vier Punkten gehandelt Das Diagramm, wie in Abbildung 2 dargestellt. Nr. 1 ist der Einstiegspunkt. Dies wird nur ein Einstiegspunkt, wenn der Preis auf den äußeren blauen Kanal gehandelt hat und sich innerhalb der einen Standardabweichungslinie zurückbewegt hat. Wir dont einfach verlassen sich auf mit dem Preis als Ausreißer, weil es einen weiteren weiter zu bekommen. Stattdessen wollen wir, dass das Außenereignis stattgefunden hat und der Preis auf den Mittelwert zurückgeht. Ein Rückzug innerhalb der ersten Standardabweichung bestätigt die Regression. (Prüfen Sie, wie die Annahmen der theoretischen Risikomodelle mit der tatsächlichen Marktperformance vergleichen, lesen Sie die Verwendungen und Grenzen der Volatilität.) Nr. 2 bietet einen Stop-Loss-Punkt, falls die Ursache der Ausreißer weiterhin den Preis negativ beeinflusst. Durch das Setzen der Stop-Loss-Order lässt sich das Risiko-Risiko leicht definieren. Für ertragsstarke Exits werden zwei Preisziele für No.3 und No.4 festgelegt. Unsere erste Erwartung an den Handel war, auf die mittlere Linie zurückzukehren, und in Figur 2 ist der Plan, die Hälfte der Position bei 26,50 oder dem aktuellen Mittelwert zu beenden. Das zweite Ziel arbeitet unter der Annahme eines anhaltenden Trends, so dass ein anderes Ziel am anderen Ende des Kanals für die andere Standardabweichungslinie oder 31,50 eingestellt wird. Diese Methode definiert eine Investoren mögliche Belohnung. Abbildung 3: Füllen des Durchschnittspreises Im Laufe der Zeit bewegt sich der Preis nach oben und unten und der lineare Regressionskanal ändert sich, wenn die alten Preise fallen und neue Preise erscheinen. Zielvorgaben und Stopps sollten jedoch gleich bleiben, bis das mittlere Preisziel erreicht ist (siehe Abbildung 3). Zu diesem Zeitpunkt wurde ein Gewinn eingesperrt und der Stop-Loss sollte auf den ursprünglichen Einstiegspreis verschoben werden. Angenommen, es ist ein effizienter und liquider Markt. Der Rest des Handels sollte ohne Risiko sein. (Erfahren Sie mehr in der Arbeit durch die effiziente Markthypothese.) Abbildung 4: Füllen des Mittelpreises. Denken Sie daran, eine Sicherheit nicht zu einem bestimmten Preis für Ihre Bestellung zu schließen, es muss nur den Preis intraday erreichen zu schließen. Sie können auf dem zweiten Ziel während eines der drei Bereiche in Abbildung 4 gefüllt worden sein. Wirklich Universal Techniker und Quant-Trader arbeiten oft ein System für eine bestimmte Sicherheit oder Lager und finden, dass die gleichen Parameter nicht auf andere Wertpapiere oder Aktien zu arbeiten. Die Schönheit der linearen Regression ist, dass die Sicherheiten Preis und Zeit bestimmen die Systemparameter. Verwenden Sie diese Tools und die in diesem Artikel definierten Regeln auf verschiedene Wertpapiere und Zeitrahmen und Sie werden überrascht sein, seine universelle Natur. (Für weitere Informationen, siehe Besser Ihr Portfolio mit Alpha-und Beta-und Style-Fragen in Financial Modeling.)
No comments:
Post a Comment