股票數據回歸分析變數

① 股票收益率和市場收益率回歸怎麼做

首先，每年用股票i 的周收益數據進行下列回歸:
Ri，t = αi + β1Rm，t －2 + β2Rm，t －1 + β3Rm，t + β4Rm，t +1 + β5Rm，t +2 + εi，t
其中，Ri，t為股票i 第t 周考慮現金紅利再投資的收益率，Rm，t
為A 股所有股票在第t 周經流通市值加權的平均收益率。本文在方程( 1) 中加入市場收益的滯後項和超前項，以調整股票非同步
性交易的影響( Dimson，1 979) 。
股票月收益率回歸分析,與大盤及宏觀變數的相關性分析,與指數的相關性,選出行業中具有代表性的個股。用其月收益率同大盤股票指數進行回歸分析。

② 什麼時候用回歸分析，什麼時候用時間序列

兩者的核心區別在於對數據的假設回歸分析假設每個數據點都是獨立的，而時間序列則是利用數據之間的相關性進行預測。
本文會先說明兩者對數據的具體假設差異，再說明AR模型為什麼雖然看上去像回歸分析但還是有差別，最後也提到一個常見的混淆兩者後在金融方向可能出現的問題。
回歸分析對數據的假設：獨立性在回歸分析中，我們假設數據是相互獨立的。這種獨立性體現在兩個方面：一方面，自變數(X)是固定的，已被觀測到的值，另一方面，每個因變數(y)的誤差項是獨立同分布，對於線性回歸模型來說，誤差項是獨立同分布的正態分布，並且滿足均值為0，方差恆定。
這種數據的獨立性的具體表現就是：在回歸分析中，數據順序可以任意交換。在建模的時候，你可以隨機選取數據循序進行模型訓練，也可以隨機選取一部分數據進行訓練集和驗證集的拆分。也正因為如此，在驗證集中，每個預測值的誤差都是相對恆定的：不會存在誤差的積累，導致預測准確度越來越低。
時間序列對數據的假設：相關性但對於時間序列分析而言，我們必須假設而且利用數據的相關性。核心的原因是我們沒有其他任何的外部數據，只能利用現有的數據走向來預測未來。因此，我們需要假設每個數據點之間有相關性，並且通過建模找到對應的相關性，利用它去預測未來的數據走向。這也是為什麼經典的時間序列分析(ARIMA)會用ACF（自相關系數）和PACF（偏自相關系數）來觀察數據之間的相關性。
ACF和PACF分別用兩種方式衡量數據點與數據點之間的相關性時間序列對相關性的假設直接違背了回歸分析的獨立性假設。在多段時間序列預測中，一方面，對於未來預測的自變數可能無法真實的觀察到，另一方面，隨著預測越來越遠，誤差會逐漸積累：你對於長遠未來的預測應該會比近期預測更不確定。因此，時間序列分析需要採用一種完全不同的視角，用不同的模型去進行分析研究。
AR模型和線性回歸模型的「相似」和區別時間序列分析中一個基礎模型就是AR(Auto-Regressive)模型。它利用過去的數據點來預測未來。舉例而言，AR(1)模型利用當前時刻的數據點預測未來的值，它們的數學關系可以被表示為：
它的表達形式的確和線性回歸模型非常類似，甚至連一般的AR(n)模型都和線性回歸有很高的相似性。唯一的差別就是等式右邊的自變數(X)變成了過去的因變數(y)
而正是因為這一點微小的差異，導致兩者的解完全不同。在AR模型中，由於模型自變數成為了過去的因變數，使得自變數與過去的誤差之間有相關性。而這種相關性使得
利用線性模型得到的AR模型的解會是有偏估計(biased)。對於上述結論的實際證明需要引入過多的概念。在此我們只對AR(1)模型作為一個特例來分析。不失一般性，我們可以通過平移數據將AR(1)模型表示成如下的形式：
對於這類模型，線性回歸會給出以下的估計值：對於一般的線性回歸模型而言，由於所有的自變數都會被視為已經觀測到的真實值。所以當我們取均值的時候，我們可以把分母當作已知，通過過去觀測值和未來誤差無關的性質得到無偏的結論。
利用回歸模型預測AR模型的數據模擬結果：參數估計會是有偏估計事實上，我們會用線性回歸模型去近似求解AR模型。因為雖然結果會是有偏的，但是卻是一致估計。也就是說，當數據量足夠大的時候，求解的值會收斂於真實值。這里就不再做展開了。
忽視獨立性的後果：金融方向的常見錯誤希望看到這里你已經弄懂了為什麼不能混淆模型的假設：尤其是獨立性或相關性的假設。接下來我會說一個我見過的
因為混淆假設導致的金融方向的錯誤隨著機器學習的發展，很多人希望能夠將機器學習和金融市場結合起來。利用數據建模來對股票價格進行預測。他們會用傳統的機器學習方法將得到的數據隨機的分配成訓練集和測試集。利用訓練集訓練模型去預測股票漲跌的概率（漲或跌的二維分類問題）。然後當他們去將模型應用到測試集時，他們發現模型的表現非常優秀——能夠達到80～90%的准確度。但是在實際應用中卻沒有這么好的表現。
造成這個錯誤的原因就是他們沒有認識到數據是高度相關的。對於時間序列，我們不能通過隨機分配去安排訓練集和測試集，否則就會出現「利用未來數據」來預測「過去走向」的問題。這個時候，即使你的模型在你的測試集表現出色，也不代表他真的能預測未來股價的走向。
總結時間序列和回歸分析的主要區別在於對數據的假設：回歸分析假設每個數據點都是獨立的，而時間序列則是利用數據之間的相關性進行預測。雖然線性回歸和AR模型看上去有很大的相似性。但由於缺失了獨立性，利用線性回歸求解的AR模型參數會是有偏的。但又由於這個解是一致的，所以在實際運用中還是利用線性回歸來近似AR模型。忽視或假設數據的獨立性很可能會造成模型的失效。金融市場的預測的建模尤其需要注意這一點。

③ 對股票進行回歸分析通常自變數和因變數選什麼好

因變數通常是回報，比如行業超額回報、或者經無風險利率調整的回報。自變數，根據APT，有k個factor。所以你認為的是影響因素的變數都可以加入。常用的有市場回報（CAPM模型）、會計信息（sloan模型）、上期回報（Engle模型）和宏觀變數（國債長短端利差、通脹等）。但是要重點看看t檢驗和adj R square，會對不相關的變數進行懲罰

④ 回歸分析的定義，各個變數的含義是什麼，要求是什麼，計量經濟學

回歸分析是研究一個變數（因變數）關於另一個變數（自變數）的具體依賴關系的計算方法和理論。

回歸分析主要內容包括：
1、根據樣本觀察值對經濟計量模型參數進行估計，求得回歸方程
2、對回歸方程、參數估計值進行顯著性檢驗
3、利用回歸方程進行分析、評價即預測

⑤ 股票的貝塔系數怎麼算用excel的回歸分析

Cov(ra,rm) = ρamσaσm。

其中ρam為證券 a 與市場的相關系數；σa為證券 a 的標准差；σm為市場的標准差。

貝塔系數利用回歸的方法計算: 貝塔系數等於1即證券的價格與市場一同變動。

貝塔系數高於1即證券價格比總體市場更波動，貝塔系數低於1即證券價格的波動性比市場為低。

如果β = 0表示沒有風險，β = 0.5表示其風險僅為市場的一半，β = 1表示風險與市場風險相同，β = 2表示其風險是市場的2倍。

(5)股票數據回歸分析變數擴展閱讀

金融學運用了貝塔系數來計算在一隻股票上投資者可期望的合理風險回報率： 個股合理回報率 =無風險回報率*+β×(整體股市回報率-無風險回報率) *可用基準債券的收益率代表。

貝塔系數=1，代表該個股的系統風險等同大盤整體系統風險，即受整體經濟因素影響的程度跟大盤一樣; 貝塔系數>1則代表該個股的系統風險高於大盤，即受整體經濟因素影響的程度甚於大盤。

貝塔系數越高，投資該股的系統風險越高，投資者所要求的回報率也就越高。高貝塔的股票通常屬於景氣循環股(cyclicals)，如地產股和耐用消費品股；低貝塔的股票亦稱防禦類股(defensive stocks)，其表現與經濟景氣的關聯度較低，如食品零售業和公用事業股。

個股的貝塔系數可能會隨著大盤的升或跌而變動，有些股票在跌市中可能會較在升市具更高風險。

⑥ 線性回歸分析和指數回歸分析有什麼區別，如何使用

線性回歸分析和指數回歸分析其實理論基礎是一樣的，基本沒有區別。回歸模型一個是直線，一個是指數曲線，簡單地說數據點畫出來象直線就用線性回歸。

相關系數與回歸系數的方向，即符號相同。回歸系數與相關系數的正負號都有兩變數離均差積之和的符號業決定，所以同一資料的b與其r的符號相同。回歸系數有單位，形式為（應變數單位/自變數單位）相關系數沒有單位。相關系數的范圍在-1～+1之間，而回歸系數沒有這種限制。

基本含義

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）。

⑦ 為什麼在進行回歸分析時,需要考慮到分紅、轉增、配股等情況對股票價格的復權

第一，在定性分析的基礎上進行定量分析，是保證正確運用回歸分析的必要條件。也就是說、在確定哪個變數作自變數，哪個變數作因變數之前，必須對所研究的問題有充分正確的認識。第二，在回、歸方程中，回歸系數的絕對值只能表示自變數與因變數之間的聯系程度，以及兩變數間的變動比例。因為其值大小直接取決於變數所用計算單位的大小。第三，在進行回歸分析時，為了使推算和預測更准確，應將相關系數、回歸方程和估計標准誤差結合使用。第四，要具體問題具體分析。回歸方程是根據資料計算出來的，是一種經驗數據，如條件發生變化，則推算或預測會不準確。因

⑧ 為什麼在進行回歸分析時,需要考慮分紅、轉增、配股等情況對股票

保證數據准確性。回歸分析是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。考慮到的數據越多，數據越准確，分紅，轉增和配股也考慮在內可以有效地保證數據准確性，避免出現差錯。