股票数据回归分析变量

① 股票收益率和市场收益率回归怎么做

首先，每年用股票i 的周收益数据进行下列回归:
Ri，t = αi + β1Rm，t －2 + β2Rm，t －1 + β3Rm，t + β4Rm，t +1 + β5Rm，t +2 + εi，t
其中，Ri，t为股票i 第t 周考虑现金红利再投资的收益率，Rm，t
为A 股所有股票在第t 周经流通市值加权的平均收益率。本文在方程( 1) 中加入市场收益的滞后项和超前项，以调整股票异步
性交易的影响( Dimson，1 979) 。
股票月收益率回归分析,与大盘及宏观变量的相关性分析,与指数的相关性,选出行业中具有代表性的个股。用其月收益率同大盘股票指数进行回归分析。

② 什么时候用回归分析，什么时候用时间序列

两者的核心区别在于对数据的假设回归分析假设每个数据点都是独立的，而时间序列则是利用数据之间的相关性进行预测。
本文会先说明两者对数据的具体假设差异，再说明AR模型为什么虽然看上去像回归分析但还是有差别，最后也提到一个常见的混淆两者后在金融方向可能出现的问题。
回归分析对数据的假设：独立性在回归分析中，我们假设数据是相互独立的。这种独立性体现在两个方面：一方面，自变量(X)是固定的，已被观测到的值，另一方面，每个因变量(y)的误差项是独立同分布，对于线性回归模型来说，误差项是独立同分布的正态分布，并且满足均值为0，方差恒定。
这种数据的独立性的具体表现就是：在回归分析中，数据顺序可以任意交换。在建模的时候，你可以随机选取数据循序进行模型训练，也可以随机选取一部分数据进行训练集和验证集的拆分。也正因为如此，在验证集中，每个预测值的误差都是相对恒定的：不会存在误差的积累，导致预测准确度越来越低。
时间序列对数据的假设：相关性但对于时间序列分析而言，我们必须假设而且利用数据的相关性。核心的原因是我们没有其他任何的外部数据，只能利用现有的数据走向来预测未来。因此，我们需要假设每个数据点之间有相关性，并且通过建模找到对应的相关性，利用它去预测未来的数据走向。这也是为什么经典的时间序列分析(ARIMA)会用ACF（自相关系数）和PACF（偏自相关系数）来观察数据之间的相关性。
ACF和PACF分别用两种方式衡量数据点与数据点之间的相关性时间序列对相关性的假设直接违背了回归分析的独立性假设。在多段时间序列预测中，一方面，对于未来预测的自变量可能无法真实的观察到，另一方面，随着预测越来越远，误差会逐渐积累：你对于长远未来的预测应该会比近期预测更不确定。因此，时间序列分析需要采用一种完全不同的视角，用不同的模型去进行分析研究。
AR模型和线性回归模型的“相似”和区别时间序列分析中一个基础模型就是AR(Auto-Regressive)模型。它利用过去的数据点来预测未来。举例而言，AR(1)模型利用当前时刻的数据点预测未来的值，它们的数学关系可以被表示为：
它的表达形式的确和线性回归模型非常类似，甚至连一般的AR(n)模型都和线性回归有很高的相似性。唯一的差别就是等式右边的自变量(X)变成了过去的因变量(y)
而正是因为这一点微小的差异，导致两者的解完全不同。在AR模型中，由于模型自变量成为了过去的因变量，使得自变量与过去的误差之间有相关性。而这种相关性使得
利用线性模型得到的AR模型的解会是有偏估计(biased)。对于上述结论的实际证明需要引入过多的概念。在此我们只对AR(1)模型作为一个特例来分析。不失一般性，我们可以通过平移数据将AR(1)模型表示成如下的形式：
对于这类模型，线性回归会给出以下的估计值：对于一般的线性回归模型而言，由于所有的自变量都会被视为已经观测到的真实值。所以当我们取均值的时候，我们可以把分母当作已知，通过过去观测值和未来误差无关的性质得到无偏的结论。
利用回归模型预测AR模型的数据模拟结果：参数估计会是有偏估计事实上，我们会用线性回归模型去近似求解AR模型。因为虽然结果会是有偏的，但是却是一致估计。也就是说，当数据量足够大的时候，求解的值会收敛于真实值。这里就不再做展开了。
忽视独立性的后果：金融方向的常见错误希望看到这里你已经弄懂了为什么不能混淆模型的假设：尤其是独立性或相关性的假设。接下来我会说一个我见过的
因为混淆假设导致的金融方向的错误随着机器学习的发展，很多人希望能够将机器学习和金融市场结合起来。利用数据建模来对股票价格进行预测。他们会用传统的机器学习方法将得到的数据随机的分配成训练集和测试集。利用训练集训练模型去预测股票涨跌的概率（涨或跌的二维分类问题）。然后当他们去将模型应用到测试集时，他们发现模型的表现非常优秀——能够达到80～90%的准确度。但是在实际应用中却没有这么好的表现。
造成这个错误的原因就是他们没有认识到数据是高度相关的。对于时间序列，我们不能通过随机分配去安排训练集和测试集，否则就会出现“利用未来数据”来预测“过去走向”的问题。这个时候，即使你的模型在你的测试集表现出色，也不代表他真的能预测未来股价的走向。
总结时间序列和回归分析的主要区别在于对数据的假设：回归分析假设每个数据点都是独立的，而时间序列则是利用数据之间的相关性进行预测。虽然线性回归和AR模型看上去有很大的相似性。但由于缺失了独立性，利用线性回归求解的AR模型参数会是有偏的。但又由于这个解是一致的，所以在实际运用中还是利用线性回归来近似AR模型。忽视或假设数据的独立性很可能会造成模型的失效。金融市场的预测的建模尤其需要注意这一点。

③ 对股票进行回归分析通常自变量和因变量选什么好

因变量通常是回报，比如行业超额回报、或者经无风险利率调整的回报。自变量，根据APT，有k个factor。所以你认为的是影响因素的变量都可以加入。常用的有市场回报（CAPM模型）、会计信息（sloan模型）、上期回报（Engle模型）和宏观变量（国债长短端利差、通胀等）。但是要重点看看t检验和adj R square，会对不相关的变量进行惩罚

④ 回归分析的定义，各个变量的含义是什么，要求是什么，计量经济学

回归分析是研究一个变量（因变量）关于另一个变量（自变量）的具体依赖关系的计算方法和理论。

回归分析主要内容包括：
1、根据样本观察值对经济计量模型参数进行估计，求得回归方程
2、对回归方程、参数估计值进行显着性检验
3、利用回归方程进行分析、评价即预测

⑤ 股票的贝塔系数怎么算用excel的回归分析

Cov(ra,rm) = ρamσaσm。

其中ρam为证券 a 与市场的相关系数；σa为证券 a 的标准差；σm为市场的标准差。

贝塔系数利用回归的方法计算: 贝塔系数等于1即证券的价格与市场一同变动。

贝塔系数高于1即证券价格比总体市场更波动，贝塔系数低于1即证券价格的波动性比市场为低。

如果β = 0表示没有风险，β = 0.5表示其风险仅为市场的一半，β = 1表示风险与市场风险相同，β = 2表示其风险是市场的2倍。

(5)股票数据回归分析变量扩展阅读

金融学运用了贝塔系数来计算在一只股票上投资者可期望的合理风险回报率： 个股合理回报率 =无风险回报率*+β×(整体股市回报率-无风险回报率) *可用基准债券的收益率代表。

贝塔系数=1，代表该个股的系统风险等同大盘整体系统风险，即受整体经济因素影响的程度跟大盘一样; 贝塔系数>1则代表该个股的系统风险高于大盘，即受整体经济因素影响的程度甚于大盘。

贝塔系数越高，投资该股的系统风险越高，投资者所要求的回报率也就越高。高贝塔的股票通常属于景气循环股(cyclicals)，如地产股和耐用消费品股；低贝塔的股票亦称防御类股(defensive stocks)，其表现与经济景气的关联度较低，如食品零售业和公用事业股。

个股的贝塔系数可能会随着大盘的升或跌而变动，有些股票在跌市中可能会较在升市具更高风险。

⑥ 线性回归分析和指数回归分析有什么区别，如何使用

线性回归分析和指数回归分析其实理论基础是一样的，基本没有区别。回归模型一个是直线，一个是指数曲线，简单地说数据点画出来象直线就用线性回归。

相关系数与回归系数的方向，即符号相同。回归系数与相关系数的正负号都有两变量离均差积之和的符号业决定，所以同一资料的b与其r的符号相同。回归系数有单位，形式为（应变量单位/自变量单位）相关系数没有单位。相关系数的范围在-1～+1之间，而回归系数没有这种限制。

基本含义

在统计学中，线性回归（Linear Regression）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量）。

⑦ 为什么在进行回归分析时,需要考虑到分红、转增、配股等情况对股票价格的复权

第一，在定性分析的基础上进行定量分析，是保证正确运用回归分析的必要条件。也就是说、在确定哪个变量作自变量，哪个变量作因变量之前，必须对所研究的问题有充分正确的认识。第二，在回、归方程中，回归系数的绝对值只能表示自变量与因变量之间的联系程度，以及两变量间的变动比例。因为其值大小直接取决于变量所用计算单位的大小。第三，在进行回归分析时，为了使推算和预测更准确，应将相关系数、回归方程和估计标准误差结合使用。第四，要具体问题具体分析。回归方程是根据资料计算出来的，是一种经验数据，如条件发生变化，则推算或预测会不准确。因

⑧ 为什么在进行回归分析时,需要考虑分红、转增、配股等情况对股票

保证数据准确性。回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。考虑到的数据越多，数据越准确，分红，转增和配股也考虑在内可以有效地保证数据准确性，避免出现差错。