Skip to main content
Дорожка Linear regression
15 / 43
Поиск по архивуБиблиотека
Библиотека

1993выпуск C081-13

Проверка индексного мультипликатора цена/прибыль регрессией на краткосрочную ставку

Исторический рабочий процесс метода наименьших квадратов использовал отбор по диаграмме рассеяния, чтобы решить, какая пара с процентной ставкой может войти в линейную модель индексного мультипликатора цена/прибыль, а затем рассматривал статистики подгонки как проверку текущей оценочной среды.

  • Отбор по диаграмме рассеяния отбросил пару с долгосрочной доходностью как нелинейную и оставил пару с краткосрочной доходностью как достаточно линейную для метода наименьших квадратов.
  • Однофакторная подгонка по краткосрочной ставке дала скорректированный R-squared 0.76, стандартную ошибку 0.06 и отрицательный коэффициент; она следовала общему направлению мультипликатора, не захватывая каждую точку разворота.
  • Добавление дивидендной доходности индекса повысило скорректированный R-squared до 0.88, снизило стандартную ошибку до 0.04, сохранило оба коэффициента отрицательными и оставило остатки, описанные как в основном случайные.
  • Двухфакторная спецификация была охарактеризована как более подходящая для оценки текущей оценочной среды, чем для построения прогноза, а в материале рекомендовалось повторить упражнение при разных режимах процентных ставок.
Записи этого разбора1 запись
Текущая дорожкаLinear regression112 разборов

Линейная подгонка для индексного мультипликатора

Линейная регрессия методом наименьших квадратов использовалась, чтобы связать упорядоченные наблюдения процентных ставок и доходностей акций с мультипликатором цена/прибыль широкого фондового индекса. Кандидатными входами были доходность 30-year constant-maturity Treasury, доходность 90-day Treasury-bill, дивидендная доходность индекса и тот же индексный мультипликатор цена/прибыль.

Какая пара прошла отбор

Диаграмма рассеяния долгосрочных доходностей против индексного мультипликатора была признана нелинейной, поэтому эта пара не вошла в линейную спецификацию. Диаграмма рассеяния краткосрочных доходностей против индексного мультипликатора была признана достаточно линейной, чтобы обосновать дальнейшую работу методом наименьших квадратов.

Как читать однофакторную подгонку

Однофакторная подгонка краткосрочных ставок к мультипликатору дала скорректированный R-squared 0.76, стандартную ошибку 0.06 и отрицательный коэффициент краткосрочной ставки. Визуальное наложение этой однофакторной подгонки следовало общему направлению мультипликатора, но не захватывало каждую точку разворота.

Добавление дивидендной доходности

Добавление дивидендной доходности индекса дало множественную линейную регрессию относительно того же мультипликатора цена/прибыль. Скорректированный R-squared вырос с 0.76 до 0.88, а стандартная ошибка регрессии снизилась с 0.06 до 0.04; оба коэффициента остались отрицательными.

Графики остатков двухфакторной подгонки описывались как в основном случайные, что принималось как неформальное свидетельство того, что оставшиеся ошибки не были сильно коррелированы.

Коэффициенты краткосрочной ставки и доходности S&P для P/E индекса S&P 500

В двухфакторной модели наименьших квадратов оба члена сохраняют отрицательный знак, поэтому более низкие краткосрочные ставки и более сжатая дивидендная доходность S&P 500 соответствуют более богатому одновременному мультипликатору. Коэффициент при доходности больше по модулю, чем коэффициент при краткосрочной ставке, — именно эту проверку спецификации статья просит трейдера прочитать, прежде чем считать мультипликатор обоснованным уровнем ставок. Цифры — коэффициенты регрессии Excel, напечатанные в таблице Model 2 (119 месячных наблюдений), а не повторно оцифрованная кривая.
В двухфакторной модели наименьших квадратов оба члена сохраняют отрицательный знак, поэтому более низкие краткосрочные ставки и более сжатая дивидендная доходность S&P 500 соответствуют более богатому одновременному мультипликатору. Коэффициент при доходности больше по модулю, чем коэффициент при краткосрочной ставке, — именно эту проверку спецификации статья просит трейдера прочитать, прежде чем считать мультипликатор обоснованным уровнем ставок. Цифры — коэффициенты регрессии Excel, напечатанные в таблице Model 2 (119 месячных наблюдений), а не повторно оцифрованная кривая.S&P 500 · Monthly · 1983-02-01T00:00:00.000Z по 1993-02-28T00:00:00.000Z

В напечатанной таблице указаны R-квадрат и скорректированный R-квадрат 0.89 и стандартная ошибка 0.04; в тексте статьи качество подгонки округляется до 0.88. Karczewski рассматривает уравнение как проверку текущего мультипликатора, а не как прогноз точки разворота, и отмечает, что режим необычно низких ставок может изменить коэффициенты, если выборку удлинить.

Проверка на тот же момент времени, а не инструмент точек разворота

Двухфакторная спецификация была охарактеризована как более подходящая для оценки текущей оценочной среды, чем для построения прогноза.

В материале рекомендовалось повторить упражнение методом наименьших квадратов при разных режимах процентных ставок, потому что метод склонен подтягивать подгонку к основной массе выборки.

Не является инвестиционной рекомендацией. Исторический материал не подтверждает актуальную результативность метода.
15 из 43 в дорожке «Linear regression»
19941-2 с.Дальше про «Linear regression»Вложенный экспоненциальный ценовой фильтр с регрессионными начальными значениямиЛинейная аппроксимация на начальном блоке цен закрытия может дать свободный член и наклон, которыми открываются оба экспоненциальных средних.
Все разборы дорожки · 43 разбора
  1. 1990Построение базовых линий доллара по ставкам, инфляции и остаткам
  2. 1990Построение номинального значения индекса по форвардным прибылям и подогнанной доходности
  3. 1990Построение номинальной цены индекса из прибыли и подобранной доходности
  4. 1990Ценовые траектории с фиксацией конечных точек — это не прогнозы
  5. 1990Построение полиномиальных сглаживателей методом наименьших квадратов
  6. 1991Темпы роста по конечным точкам против согласованности линейной регрессии
  7. 1991Вневыборочные проверки линейных аппроксимаций роста
  8. 1991Тренд как устойчивость, а не прямая линия
  9. 1991Квадратичный тренд, осциллятор остатков и вторичный календарь циклов
  10. 1991Смещение начала отсчёта времени и дивергенция остатков и цены на квадратичной аппроксимации методом наименьших квадратов
  11. 1991Линия тренда наименьших квадратов по упорядоченным ценам
  12. 1992Построение скринингов лог-линейного роста и надёжности
  13. 1992Построение лог-линейных базовых линий темпа роста
  14. 1992Максимум, минимум и закрытие следующей сессии по скользящей линейной регрессии
  15. 1993Проверка индексного мультипликатора цена/прибыль регрессией на краткосрочную ставку
  16. 1994Вложенный экспоненциальный ценовой фильтр с регрессионными начальными значениями
  17. 1994Построение двойного экспоненциального среднего из компенсации лага
  18. 1994Оценка денежной массы как линейной базовой модели опережающего индекса
  19. 1995Построение трендовых каналов методом наименьших квадратов
  20. 1995Holdout-проверки линейного базового прогноза годовых ставок по векселям
  21. 1995Проекционные полосы по наклонам регрессии максимумов и минимумов
  22. 1995Оценка скользящей средней по конечной точке метода наименьших квадратов на известном тестовом ряде
  23. 1996Построение концевой скользящей средней по прямой наименьших квадратов
  24. 1996Оценка согласованности траектории эквити с оверлеем k-ratio
  25. 1996Оценка month-end разрывов доходности для режимов рынка акций
  26. 1996Построение полос стандартной ошибки с сессионным индексом
  27. 1998Оценка линейных регрессионных базовых моделей для стоимостной оценки индекса
  28. 1998R-squared как двухсостоятельный трендовый фильтр на основе подгонки цена-время
  29. 2000Коррекция лага скользящего среднего второго порядка
  30. 2002Линия регрессии цены против беты при отслеживании индекса
  31. 2003Наклон регрессии с гейтом уверенности тренда по r-squared
  32. 2003Построение дивергенции finite-volume-element через сравнение наклонов
  33. 2004Построение дневного балла из регрессии, коррекции и объёма
  34. 2004Построение линий тренда методом наименьших квадратов по упорядоченным ценам
  35. 2007Цели пробоя прямоугольника выше высоты
  36. 2007Подтверждение ценового тренда наклоном регрессии и r-squared
  37. 2008Угол линейной регрессии, собранный как один тренд-фильтр
  38. 2010Свинг-машина с двумя состояниями из четырёх скользящих экстремумов
  39. 2016Оцените тесноту нефтяного комплекса перед дивергенцией или регрессией
  40. 2017Межрыночная дивергенция Nikkei–иена как кейс рыночного режима
  41. 2017Построение коэффициента Калмара и базовых линий линейной регрессии
  42. 2019Послойное построение pair-trade против управления по средней цене спреда
  43. 2020Наклон convolution, построенный из вложенной линейной регрессии
По областиВременные ряды и прогнозирование51 разборПо году199376 разборов
Все 112 разборов с записью «Linear regression»
Тоже про «Linear regression»5 разборов
1985Бета и альфа как выбранные параметры регрессии1986Построение индекса товарного канала и регрессионного ценового канала1988Построение состояний ширины рынка и средних тренда1988Построение линий тренда канала методом наименьших квадратов1989Цена драгоценного металла как меняющееся межрыночное уравнение