← 返回博客列表

FRM 备考指南：从零掌握线性回归分析

金融风险管理（FRM）考试中，量化分析是构建风险模型的基石。对于初学者而言，理解回归分析不仅是通过第一部分考试的关键，更是后续学习 VaR 模型、因子模型的基础。本文将带你从零开始，深入理解线性回归的核心逻辑，并结合 TI BA II Plus 计算器进行实战演练，助你高效备考。

线性回归的核心概念与最小二乘法

线性回归（Linear Regression）旨在探索一个因变量（Y）与一个或多个自变量（X）之间的线性关系。在 FRM 考试中，我们最常处理的是简单线性回归，即一个 X 对应一个 Y。其基本方程形式为：

$$Y = \beta_0 + \beta_1 X + \epsilon$$

其中，$\beta_0$ 是截距，$\beta_1$ 是斜率（系数），$\epsilon$ 是误差项。我们的目标是找到一条直线，使得所有数据点到这条直线的距离之和最小。

这里必须掌握的核心方法是最小二乘法（Ordinary Least Squares, OLS）。它的原理是：通过最小化误差的平方和寻找数据的最佳函数匹配。为什么要平方？因为平方可以消除正负误差的相互抵消，并对较大的误差给予更大的惩罚，从而确保拟合直线的稳健性。在 FRM 语境下，掌握 OLS 的假设条件（如误差项均值为零、同方差性等）同样重要，但计算能力是入门的第一步。

实战演练：计算例题与 BA II Plus 操作

理论需要结合实践。假设我们拥有某股票收益率（Y）与市场收益率（X）的 5 组历史数据，需要计算回归系数。

数据样本：
X (市场收益率): 1, 2, 3, 4, 5
Y (股票收益率): 2, 4, 5, 4, 5

手动计算逻辑简述：
首先计算 X 和 Y 的均值，然后利用协方差除以 X 的方差得到斜率$\beta_1$，最后用均值减去斜率乘以 X 均值得到截距$\beta_0$。但在考试中，我们更依赖计算器。

TI BA II Plus 操作步骤：

1. 清除旧数据：按 [2nd] [CLR WORK] 确保统计寄存器为空。
2. 进入统计编辑模式：按 [2nd] [STAT]，选择 1:STAT EDIT。
3. 输入数据：
   • 在 L1 列输入 X 值（1, 2, 3, 4, 5），每按一次 [ENTER] 确认。
   • 光标移至 L2 列，输入 Y 值（2, 4, 5, 4, 5）。
4. 选择回归类型：按 [2nd] [STAT]，选择 3:LinReg。这里对应的是LIN（线性回归）模式。如果是指数回归应选择 ExpReg，但对数回归选择 LnReg。
5. 计算结果：按 [ENTER] 执行计算。
6. 查看系数：
   • 按 [2nd] [STAT] (STAT 键)，屏幕显示 $\beta_0$（截距）。
   • 再次按 [2nd] [STAT]，屏幕显示 $\beta_1$（斜率）。
   • 再次按 [2nd] [STAT]，屏幕显示 $r$（相关系数）。

移动备考助手：
如果你习惯在手机上复习，推荐使用 RBA Calculator。它是 TI BA II Plus 的 iOS 官方应用，功能完全同步，支持统计回归计算，非常适合碎片化时间练习。下载链接：https://apps.apple.com/cn/app/id1545331477

常见错误提醒

在 FRM 备考过程中，考生常在以下环节失分，请务必警惕：

1. 混淆斜率与截距：$\beta_1$ 代表自变量变化一个单位时因变量的平均变化量，$\beta_0$ 是 X 为 0 时的 Y 值。在计算器查看结果时，注意区分 $\beta_0$ 和 $\beta_1$ 的显示顺序。
2. 忽略回归类型选择：BA II Plus 支持 LIN、LN、Exp 等多种回归。题目若要求线性关系，务必确认处于 LIN 模式。若误用对数回归，结果将完全错误。
3. 数据输入错误：在 STAT EDIT 模式下，务必确认数据是成对输入的（X 对应 Y）。如果 L1 和 L2 的数值行数不一致，计算将无法进行。
4. 误解相关系数 r：$r$ 仅表示线性相关的强度（-1 到 1 之间），不代表因果关系。即使 $r$ 很高，也不能说明 X 导致 Y。

常见问题解答 FAQ

Q1: 相关系数（Correlation）和回归系数（Regression Coefficient）有什么区别？
A: 相关系数 $r$ 衡量两个变量线性关系的强弱和方向，没有单位。回归系数$\beta_1$ 则量化了这种关系的具体大小，表示 X 每增加 1 个单位，Y 平均变化多少个单位，且带有 Y 的单位。

Q2: 决定系数 $R^2$ 在 FRM 考试中重要吗？
A: 非常重要。$R^2$ 等于 $r$ 的平方，表示因变量的变异中能被自变量解释的比例。例如 $R^2 = 0.81$ 意味着 81% 的 Y 变化可由 X 解释。模型拟合度越高，$R^2$ 越接近 1。

Q3: 什么时候使用 LIN 回归，什么时候使用 LN 回归？
A: 当两个变量之间呈现直线关系时使用 LIN（线性回归）。如果数据呈现指数增长或衰减趋势（如复利计算、某些资产价格路径），则应考虑使用 LN（对数回归）或 Exp（指数回归）来线性化数据。

Q4: 最小二乘法有什么局限性？
A: 最小二乘法对异常值（Outliers）非常敏感。因为它是基于平方误差的，一个巨大的异常值会显著拉偏回归线。在 FRM 风险建模中，有时需要结合鲁棒回归方法，但在基础考试中，OLS 仍是标准方法。

结语

线性回归是 FRM 量化分析的起点。通过理解最小二乘法的原理，熟练运用 BA II Plus 的LIN功能，并借助 RBA Calculator 等工具进行反复练习，你将能轻松应对考试中的计算题。记住，金融模型的核心在于理解数据背后的逻辑，而不仅仅是按下计算器。祝你备考顺利，早日通过 FRM 考试！