بسیاری از ایدههایِ بازار بهشکلِ «x روی y اثر دارد» هستند: دلار روی طلا، شاخصِ جهانی روی شاخصِ داخلی، نفت روی ارزِ کالامحور. ابزارِ اولیه رگرسیونِ تکمعادلهای است، ولی با دادههایِ سری زمانی چند تله دارد.
تلهٔ رگرسیونِ کاذب
اگر دو سریِ نامانا و مستقل (مثلاً دو گامِ تصادفی) را روی هم رگرس کنیم، اغلب R² بالا و t-statisticِ «معنادار» به دست میآید، ولی رابطه واقعی نیست (گرنجر و نیوبولد). نشانههایِ هشدار: R² بالا همراه با آماره دوربین–واتسونِ کوچک. قاعدهٔ سرانگشتی: اگر R² از DW بزرگتر باشد، احتمالِ رگرسیونِ کاذب جدی است.
آمارهٔ دوربین–واتسون تقریباً DW ≈ 2(1 − ρ̂) است. DW = ۲ یعنی خودهمبستگیِ مرتبهٔ یک نیست و DW = ۰٫۴ یعنی ρ ≈ ۰٫۸ ، یعنی خطاها شدیداً خودهمبستهاند و انحراف معیارهایِ معمولی غلطاند.
| راهکار | چه زمانی |
|---|---|
| رگرسیون روی بازدهها (سریِ مانا) | رابطهٔ کوتاهمدت؛ سادهترین و امنترین راه |
| خطایِ استانداردِ نیوی–وست (HAC) | خودهمبستگی و ناهمسانیِ واریانس در باقیماندهها |
| الگویِ ADL با وقفه | اثر با تأخیر پخش میشود |
| همجمعی / ECM (درس ۱۰) | قیمتهای نامانا که رابطهٔ بلندمدت دارند |
الگویِ پویایِ ADL(1,1)
yt = a + b·yt-1 + c0·xt + c1·xt-1 + et . اثرِ فوری x برابر c0 و اثرِ بلندمدتِ (ضریبِ بلندمدت) برابر (c0 + c1) / (1 − b) است، به شرطِ |b| < 1 .
import statsmodels.api as sm
X = sm.add_constant(dx) # dx: returns of the explanatory asset
ols = sm.OLS(dy, X).fit(cov_type="HAC", cov_kwds={"maxlags": 5})
print(ols.summary())
from statsmodels.stats.stattools import durbin_watson
print(durbin_watson(ols.resid))یادآوری: همبستگیِ بالا در یک دورهٔ تاریخی به معنایِ رابطهٔ پایدار نیست. همیشه رابطه را در دورههایِ جداگانه و خارج از نمونه آزمایش کنید.
