Quels sont les types de régressions les plus courants que les investisseurs peuvent utiliser?

Question Period: Grewal resignation, USMCA trade deal — November 29, 2018 (Janvier 2025)

Question Period: Grewal resignation, USMCA trade deal — November 29, 2018 (Janvier 2025)
Quels sont les types de régressions les plus courants que les investisseurs peuvent utiliser?

Table des matières:

Anonim
a:

Les types de régression les plus couramment utilisés par un investisseur sont les régressions linéaires et les régressions linéaires multiples. Les régressions sont des techniques statistiques permettant d'identifier les relations entre les variables. Les variables les plus concernées par les investisseurs sont les prix des actifs.

Régressions linéaires

Une régression linéaire identifie la relation entre une variable indépendante et une variable dépendante. Les investisseurs peuvent vouloir identifier la relation entre deux actifs. Par exemple, l'investisseur peut vouloir trouver la relation entre les changements de prix dans un stock individuel et les changements de prix dans un indice boursier plus grand. Dans ce cas, l'indice de marché est la variable indépendante et le prix de l'action individuel est la variable dépendante. L'analyse de régression formule l'hypothèse que le mouvement d'une variable, le stock indépendant, dépend du mouvement de l'indice boursier.

L'analyse de régression identifie une droite de régression linéaire entre les variables en utilisant la méthode des moindres carrés les mieux adaptés. Une analyse de régression linéaire montre une ligne tracée entre les observations. Le terme d'erreur du calcul montre à quelle distance se trouvent les observations de la droite pour la régression linéaire.

Régressions linéaires multiples

Les régressions linéaires multiples modélisent la relation linéaire entre plusieurs variables explicatives et une variable de réponse. La relation est modélisée en utilisant une ligne droite qui correspond le mieux aux observations des données. Les investisseurs peuvent vouloir modéliser le prix d'un actif en tant que variable de réponse basée sur d'autres points de données fondamentaux ou quantitatifs. Cela permet une modélisation plus complexe par rapport aux régressions linéaires simples. Par exemple, un investisseur qui tente de prédire le prix d'un brut pourrait vouloir tenir compte des taux d'intérêt en vigueur, des taux indiciels et du prix des contrats à terme sur le pétrole brut dans le modèle.