基於線性回歸量化投資

㈠ 如何利用Eviews生成一元線性回歸模型

一元線性回歸模型有很多實際用途。分為以下兩大類：
1.如果目標是預測或者映射，線性回歸可以用來對觀測數據集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。
2.給定一個變數y和一些變數X1,...,Xp，這些變數有可能與y相關，線性回歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘信息。

一元線性回歸模型表示如下：
yt = b0 + b1 xt +ut （1） 上式表示變數yt 和xt之間的真實關系。其中yt 稱作被解釋變數（或相依變數、因變數），xt稱作解釋變數（或獨立變數、自變數），ut稱作隨機誤差項，b0稱作常數項（截距項），b1稱作回歸系數。
在模型 (1) 中，xt是影響yt變化的重要解釋變數。b0和b1也稱作回歸參數。這兩個量通常是未知的，需要估計。t表示序數。當t表示時間序數時，xt和yt稱為時間序列數據。當t表示非時間序數時，xt和yt稱為截面數據。ut則包括了除xt以外的影響yt變化的眾多微小因素。ut的變化是不可控的。上述模型可以分為兩部分。（1）b0 +b1 xt是非隨機部分；（2）ut是隨機部分。

㈡ 用eviews進行多元線性回歸分析時，問卷數據怎麼輸入類似單項選擇和多項選擇

如果是單選題或者多選題，要做多元線性回歸的話，是很危險的，不建議你這么做。
因為多元線性回歸有很多假設條件，單選題的數據又是類別數據，或離散型數據，不符合。做出來的結果也是不能用的。
比方說你把ABCD，換成了1,2,3,4，看上去是變成了數字，但是因為多元線性回歸要假設因變數要服從正態分布，而1,2,3,4不是服從正態分布。另外，如果問卷是多選題，根本就無法將之量化。
建議你用別的軟體，例如MATLAB，R語言，用SVM支持向量機進行分類預測還好。決策樹也行，隨機森林也可以。這些都是可以的。

㈢ 請教一道數理統計關於線性回歸的簡單計算題

線性回歸是利用數理統計中的回歸分析，來確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法，運用十分廣泛。分析按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析在統計學中，線性回歸(LinearRegression)是利用稱為線性回歸方程的最小平方函數對一個或多個自變數和因變數之間關系進行建模的一種回歸分析。這種函數是一個或多個稱為回歸系數的模型參數的線性組合。只有一個自變數的情況稱為簡單回歸,大於一個自變數情況的叫做多元回歸。（這反過來又應當由多個相關的因變數預測的多元線性回歸區別，】，而不是一個單一的標量變數。）回歸分析中，只包括一個自變數和一個因變數，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變數，且因變數和自變數之間是線性關系，則稱為多元線性回歸分析。在線性回歸中，數據使用線性預測函數來建模，並且未知的模型參數也是通過數據來估計。這些模型被叫做線性模型。最常用的線性回歸建模是給定X值的y的條件均值是X的仿射函數。不太一般的情況，線性回歸模型可以是一個中位數或一些其他的給定X的條件下y的條件分布的分位數作為X的線性函數表示。像所有形式的回歸分析一樣，線性回歸也把焦點放在給定X值的y的條件概率分布，而不是X和y的聯合概率分布（多元分析領域）。線性回歸是回歸分析中第一種經過嚴格研究並在實際應用中廣泛使用的類型。這是因為線性依賴於其未知參數的模型比非線性依賴於其位置參數的模型更容易擬合，而且產生的估計的統計特性也更容易確定。線性回歸有很多實際用途。分為以下兩大類：如果目標是預測或者映射，線性回歸可以用來對觀測數據集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。給定一個變數y和一些變數X1,,Xp，這些變數有可能與y相關，線性回歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘信息。

㈣ 量化投資的主要方法和前沿進展

量化投資是通過計算機對金融大數據進行量化分析的基礎上產生交易決策機制。設計金融數學和計算機的知識和技術，主要有人工智慧、數據挖掘、小波分析、支持向量機、分形理論和隨機過程這幾種。
1．人工智慧
人工智慧（Artificial Intelligence，AI）是研究使用計算機來模擬人的某些思維過程和智能行為（如學習、推理、思考、規劃等）的學科，主要包括計算機實現智能的原理、製造類似於人腦智能的計算機，使計算機能實現更高層次的應用。人工智慧將涉及計算機科學、心理學、哲學和語言學等學科，可以說幾乎是自然科學和社會科學的所有學科，其范圍已遠遠超出了計算機科學的范疇，人工智慧與思維科學的關系是實踐和理論的關系，人工智慧是處於思維科學的技術應用層次，是它的一個應用分支。
從思維觀點看，人工智慧不僅限於邏輯思維，還要考慮形象思維、靈感思維才能促進人工智慧的突破性發展，數學常被認為是多種學科的基礎科學，因此人工智慧學科也必須借用數學工具。數學不僅在標准邏輯、模糊數學等范圍發揮作用，進入人工智慧學科後也能促進其得到更快的發展。
金融投資是一項復雜的、綜合了各種知識與技術的學科，對智能的要求非常高。所以人工智慧的很多技術可以用於量化投資分析中，包括專家系統、機器學習、神經網路、遺傳演算法等。
2．數據挖掘
數據挖掘（Data Mining）是從大量的、不完全的、有雜訊的、模糊的、隨機的數據中提取隱含在其中的、人們事先不知道的，但又是潛在有用的信息和知識的過程。
與數據挖掘相近的同義詞有數據融合、數據分析和決策支持等。在量化投資中，數據挖掘的主要技術包括關聯分析、分類/預測、聚類分析等。
關聯分析是研究兩個或兩個以上變數的取值之間存在某種規律性。例如，研究股票的某些因子發生變化後，對未來一段時間股價之間的關聯關系。關聯分為簡單關聯、時序關聯和因果關聯。關聯分析的目的是找出資料庫中隱藏的關聯網。一般用支持度和可信度兩個閾值來度量關聯規則的相關性，還不斷引入興趣度、相關性等參數，使得所挖掘的規則更符合需求。
分類就是找出一個類別的概念描述，它代表了這類數據的整體信息，即該類的內涵描述，並用這種描述來構造模型，一般用規則或決策樹模式表示。分類是利用訓練數據集通過一定的演算法而求得分類規則。分類可被用於規則描述和預測。
預測是利用歷史數據找出變化規律，建立模型，並由此模型對未來數據的種類及特徵進行預測。預測關心的是精度和不確定性，通常用預測方差來度量。
聚類就是利用數據的相似性判斷出數據的聚合程度，使得同一個類別中的數據盡可能相似，不同類別的數據盡可能相異。
3．小波分析
小波（Wavelet）這一術語，顧名思義，小波就是小的波形。所謂「小」是指它具有衰減性；而稱之為「波」則是指它的波動性，其振幅正負相間的震盪形式。與傅里葉變換相比，小波變換是時間（空間）頻率的局部化分析，它通過伸縮平移運算對信號（函數）逐步進行多尺度細化，最終達到高頻處時間細分，低頻處頻率細分，能自動適應時頻信號分析的要求，從而可聚焦到信號的任意細節，解決了傅里葉變換的困難問題，成為繼傅里葉變換以來在科學方法上的重大突破，因此也有人把小波變換稱為數學顯微鏡。
小波分析在量化投資中的主要作用是進行波形處理。任何投資品種的走勢都可以看做是一種波形，其中包含了很多噪音信號。利用小波分析，可以進行波形的去噪、重構、診斷、識別等，從而實現對未來走勢的判斷。
4．支持向量機
支持向量機（Support Vector Machine，SVM）方法是通過一個非線性映射，把樣本空間映射到一個高維乃至無窮維的特徵空間中（Hilbert空間），使得在原來的樣本空間中非線性可分的問題轉化為在特徵空間中的線性可分的問題，簡單地說，就是升維和線性化。升維就是把樣本向高維空間做映射，一般情況下這會增加計算的復雜性，甚至會引起維數災難，因而人們很少問津。但是作為分類、回歸等問題來說，很可能在低維樣本空間無法線性處理的樣本集，在高維特徵空間中卻可以通過一個線性超平面實現線性劃分（或回歸）。
一般的升維都會帶來計算的復雜化，SVM方法巧妙地解決了這個難題：應用核函數的展開定理，就不需要知道非線性映射的顯式表達式；由於是在高維特徵空間中建立線性學習機，所以與線性模型相比，不但幾乎不增加計算的復雜性，而且在某種程度上避免了維數災難。這一切要歸功於核函數的展開和計算理論。
正因為有這個優勢，使得SVM特別適合於進行有關分類和預測問題的處理，這就使得它在量化投資中有了很大的用武之地。
5．分形理論
被譽為大自然的幾何學的分形理論（Fractal），是現代數學的一個新分支，但其本質卻是一種新的世界觀和方法論。它與動力系統的混沌理論交叉結合，相輔相成。它承認世界的局部可能在一定條件下，在某一方面（形態、結構、信息、功能、時間、能量等）表現出與整體的相似性，它承認空間維數的變化既可以是離散的也可以是連續的，因而極大地拓展了研究視野。
自相似原則和迭代生成原則是分形理論的重要原則。它表示分形在通常的幾何變換下具有不變性，即標度無關性。分形形體中的自相似性可以是完全相同的，也可以是統計意義上的相似。迭代生成原則是指可以從局部的分形通過某種遞歸方法生成更大的整體圖形。
分形理論既是非線性科學的前沿和重要分支，又是一門新興的橫斷學科。作為一種方法論和認識論，其啟示是多方面的：一是分形整體與局部形態的相似，啟發人們通過認識部分來認識整體，從有限中認識無限；二是分形揭示了介於整體與部分、有序與無序、復雜與簡單之間的新形態、新秩序；三是分形從一特定層面揭示了世界普遍聯系和統一的圖景。
由於這種特徵，使得分形理論在量化投資中得到了廣泛的應用，主要可以用於金融時序數列的分解與重構，並在此基礎上進行數列的預測。
6．隨機過程
隨機過程（Stochastic Process）是一連串隨機事件動態關系的定量描述。隨機過程論與其他數學分支如位勢論、微分方程、力學及復變函數論等有密切的聯系，是在自然科學、工程科學及社會科學各領域中研究隨機現象的重要工具。隨機過程論目前已得到廣泛的應用，在諸如天氣預報、統計物理、天體物理、運籌決策、經濟數學、安全科學、人口理論、可靠性及計算機科學等很多領域都要經常用到隨機過程的理論來建立數學模型。
研究隨機過程的方法多種多樣，主要可以分為兩大類：一類是概率方法，其中用到軌道性質、隨機微分方程等；另一類是分析的方法，其中用到測度論、微分方程、半群理論、函數堆和希爾伯特空間等，實際研究中常常兩種方法並用。另外組合方法和代數方法在某些特殊隨機過程的研究中也有一定作用。研究的主要內容有：多指標隨機過程、無窮質點與馬爾科夫過程、概率與位勢及各種特殊過程的專題討論等。
其中，馬爾科夫過程很適於金融時序數列的預測，是在量化投資中的典型應用。
現階段量化投資在基金投資方面使用的比較多，也有部分投資機構合券商的交易系統應用了智能選股的技術。

㈤ 線性回歸方程。。。那個符號是什麼意思。。i又是什麼

那個符號是求和的符號，

i是指編號的問題，意思是指從第一個數一直加，加到第n個數；

n是指總的數量，比如說有20個樣本數據，那麼n就是20。

線性回歸方程是利用數理統計中的回歸分析，來確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法之一。線性回歸也是回歸分析中第一種經過嚴格研究並在實際應用中廣泛使用的類型。按自變數個數可分為一元線性回歸分析方程和多元線性回歸分析方程。

(5)基於線性回歸量化投資擴展閱讀：

線性回歸方程是回歸分析中第一種經過嚴格研究並在實際應用中廣泛使用的類型。這是因為線性依賴於其未知參數的模型比非線性依賴於其位置參數的模型更容易擬合，而且產生的估計的統計特性也更容易確定 。

線性回歸有很多實際用途。分為以下兩大類：

1、如果目標是預測或者映射，線性回歸可以用來對觀測數據集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。

2、給定一個變數y和一些變數X1,...,Xp，這些變數有可能與y相關，線性回歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘信息。

㈥ 求一個可以用SPSS線性回歸分析的研究課題

數據你要自己去收集，年輕人
我經常幫別人做這類的數據分析的

㈦ 用線性回歸模型進行預測時,單個值預測與均值預測相等,且置信區間也相同 為什

因為預測值用線性回歸模型進行預測時，單個值預測與均值預測相等，且置信區間也相同 ，必須用多根發熱導管在一起，它是由電源盒來進行預測。

線性回歸是利用數理統計中回歸分析，來確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法，運用十分廣泛。其表達形式為y = w'x+e，e為誤差服從均值為0的正態分布。回歸分析中，只包括一個自變數和一個因變數。

且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變數，且因變數和自變數之間是線性關系，則稱為多元線性回歸分析。

(7)基於線性回歸量化投資擴展閱讀：

在線性回歸中，數據使用線性預測函數來建模，並且未知的模型參數也是通過數據來估計。這些模型被叫做線性模型。最常用的線性回歸建模是給定X值的y的條件均值是X的仿射函數。不太一般的情況，線性回歸模型可以是一個中位數或一些其他的給定X的條件下。

y的條件分布的分位數作為X的線性函數表示。像所有形式的回歸分析一樣，線性回歸也把焦點放在給定X值的y的條件概率分布，而不是X和y的聯合概率分布。

㈧ 什麼是線性回歸模型

線性回歸是利用數理統計中的回歸分析，來確定兩種或兩種以上變數間相互依賴的定量關系的一種統計分析方法，運用十分廣泛。分析按照自變數和因變數之間的關系類型，可分為線性回歸分析和非線性回歸分析

在統計學中，線性回歸(Linear Regression)是利用稱為線性回歸方程的最小平方函數對一個或多個自變數和因變數之間關系進行建模的一種回歸分析。這種函數是一個或多個稱為回歸系數的模型參數的線性組合。只有一個自變數的情況稱為簡單回歸,大於一個自變數情況的叫做多元回歸。（這反過來又應當由多個相關的因變數預測的多元線性回歸區別，】，而不是一個單一的標量變數。）
回歸分析中，只包括一個自變數和一個因變數，且二者的關系可用一條直線近似表示，這種回歸分析稱為一元線性回歸分析。如果回歸分析中包括兩個或兩個以上的自變數，且因變數和自變數之間是線性關系，則稱為多元線性回歸分析。
在線性回歸中，數據使用線性預測函數來建模，並且未知的模型參數也是通過數據來估計。這些模型被叫做線性模型。最常用的線性回歸建模是給定X值的y的條件均值是X的仿射函數。不太一般的情況，線性回歸模型可以是一個中位數或一些其他的給定X的條件下y的條件分布的分位數作為X的線性函數表示。像所有形式的回歸分析一樣，線性回歸也把焦點放在給定X值的y的條件概率分布，而不是X和y的聯合概率分布（多元分析領域）。
線性回歸是回歸分析中第一種經過嚴格研究並在實際應用中廣泛使用的類型。這是因為線性依賴於其未知參數的模型比非線性依賴於其位置參數的模型更容易擬合，而且產生的估計的統計特性也更容易確定。
線性回歸有很多實際用途。分為以下兩大類：
如果目標是預測或者映射，線性回歸可以用來對觀測數據集的和X的值擬合出一個預測模型。當完成這樣一個模型以後，對於一個新增的X值，在沒有給定與它相配對的y的情況下，可以用這個擬合過的模型預測出一個y值。
給定一個變數y和一些變數X1,...,Xp，這些變數有可能與y相關，線性回歸分析可以用來量化y與Xj之間相關性的強度，評估出與y不相關的Xj，並識別出哪些Xj的子集包含了關於y的冗餘信息。

㈨ 小女做了個線性回歸，回歸結果如下但看不懂什麼意思，請哪位好心人士指點下~~萬分感謝

其實我沒看懂…

㈩ 線性回歸帶和線性回歸通道兩畫線功能用法上有什麼區別

通達信自帶畫線工具的使用
K線圖的畫法

支撐線和壓力線
畫法：
將兩個或兩個以上的相對低點連成一條直線即得到支撐線
將兩個或兩個以上的相對高點連成一條直線即得到壓力線
用法：
1.支撐線和壓力線的作用
支撐線又稱為抵抗線。當股價跌到某個價位附近時，股價停止下跌，甚至有可能還有回升。這個起著阻止股價繼續下跌或暫時阻止股價繼續下跌的價格就是支撐線所在的位置。
壓力線又稱為阻力線。當股價上漲到某價位附近時，股價會停止上漲，甚至回落。這個起著阻止或暫時阻止股價繼續上升的價位就是壓力線所在的位置。
支撐線和壓力線的作用是阻止或暫時阻止股價向一個方向繼續運動。同時，支撐線和壓力線又有徹底阻止股價按原方向變動的可能。
2.支撐線與壓力線相互轉化
一條支撐線如果被跌破，那麼這個支撐線將成為壓力線；同理，一條壓力線被突破，這個壓力線將成為支撐線。這說明支撐線和壓力線的地位不是一成不變的，而是可以改變的，條件是它被有效的足夠強大的股價變動突破。
3.支撐線和壓力線的確認和印正
一般來說，一條支撐線或壓力線對當前影響的重要性有三個方面的考慮，一是股價在這個區域停留時間的長短；二是股價在這個區域伴隨的成交量大小；三是這個支撐區域或壓力區域發生的時間距離當前這個時期的遠近。
趨勢線

畫法：
在上升趨勢中，將兩個低點連成一條直線，就得到上升趨勢線。
在下降趨勢中，將兩個高點連成一條直線，就得到下降趨勢線。
用法：
趨勢線是衡量價格波動的方向的，由趨勢線的方向可以明確地看出股價的趨勢。要得到一條真正起作用的趨勢線，要經多方面的驗證才能最終確認。首先，必須確實有趨勢存在。其次，畫出直線後，還應得到第三個點的驗證才能確認這條趨勢線是有效的。

軌道線

畫法：
軌道線又稱通道線或管道線，是基於趨勢線的一種方法。在已經得到了趨勢線後，通過第一個峰和谷可以作出這條趨勢線的平行線，這條平行線就是軌道線。
用法：
兩條平行線組成一個軌道，這就是常說的上升和下降軌道。軌道的作用是限制股價的變動范圍。對上面的或下面的直線的突破將意味著有一個大的變化。與突破趨勢線不同，對軌道線的突破並不是趨勢反向的開始，而是趨勢加速的開始。軌道線的另一個作用是提出趨勢轉向的警報。

黃金分割線

畫法：
將滑鼠從一個相對低點拖曳到一個相對高點即得到黃金分割線。
用法：
黃金分割線有若干個特殊的數字，這些數字中0.382、0.618、1.382和1.618最為重要，股價極為容易在由這四個數產生的黃金分割線處產生支撐和壓力。

百分比線

畫法：
將滑鼠從一個相對低點拖曳到一個相對高點即得到百分比線。
用法：
百分比線考慮問題的出發點是人們的心理因素和一些整數位的分界點。其中，1/2，1/3，2/3的這三條線最為重要。

速度阻力線

畫法：
將滑鼠在一個相對低點點下不放然後調整到與趨勢相符的位置即得到速度線。
用法：
速度線最為重要的功能是判斷一個趨勢是被暫時突破還是長久突破(轉勢)。

甘氏線

畫法：
將滑鼠在一個相對低點點下不放然後調整到與趨勢相符的位置即得到甘氏線。
用法：
甘氏線是從一個點出發，依一定的角度，向後畫出的多條射線。它通過畫角度的辦法以協助來判斷一些重要的支撐阻力位。 波段線
畫法：
將滑鼠從一個相對低點拖曳到一個相對高點即得到百分比線。
用法：
波段線用來度量一個高點與低點間的漲跌幅度，由此為買賣時機做參考。波段線的幅度分別是1/4,，1/3，1/2。

線性回歸

畫法：
將滑鼠從一個相對低點拖曳到一個相對高點即得到百分比線。
用法：
線性回歸、線形回歸帶及線形回歸通道：線性回歸、線性回歸帶及線性回歸通道是根據數學上線性回歸的原理來確定一定時間內的價格走勢。線性回歸將一定時間內的股價走勢線性回歸，然後來確定這一段時間內的總體走勢；線性回歸帶是根據這一段時間內的最高、最低價畫出線性回歸的平行通道線；回歸通道是線性

回歸帶的延長。 費波拉契線

畫法：
將滑鼠從一個相對低點拖曳到一個相對高點即得到費波拉契線。
用法：
費波拉契數列是一串神奇的數字：1，2，3，5，8，13，21，34，55，89，144，233，377，610，987，1597……直至無限。構成費波拉契神奇數字系列的基礎非常簡單，由1，2，3開始，產生無限數字系列，而3，實際上為1與2之和，以後出現的一系列數字，全部依照上述簡單的原則，兩個連續出現的相鄰數字相加，等於一個後面的數字。例如3加5等於8，5加8等於13，8加13等於21，……直至無限。表面看來，此一數字系列很簡單，但背後卻隱藏著無窮的奧妙。在使用上述神奇數字比率時，投資者和分析者若與波浪形態配合，再加上動力系統指標的協助，能較好地預估股價見頂見底的訊號。