← 返回博客列表

线性回归分析：FRM考试核心公式与计算精讲

一、线性回归基础概念

在金融风险管理（FRM）考试中，线性回归分析（Linear Regression）是量化建模的核心工具之一。它通过建立因变量（Y）与一个或多个自变量（X）之间的线性关系，帮助分析师预测市场波动、评估资产相关性或构建风险模型。其核心思想是寻找一条直线，使得所有观测点到该直线的垂直距离平方和最小，这一过程称为最小二乘法（Ordinary Least Squares, OLS）。

线性回归模型的一般形式为：
$$ Y = \beta_0 + \beta_1X + \varepsilon $$
其中：
- $\beta_0$ 为截距项（常数项）
- $\beta_1$ 为斜率系数（反映X对Y的影响程度）
- $\varepsilon$ 为随机误差项

模型的有效性需满足经典假设：线性关系、误差项独立同分布、无多重共线性等。在FRM考试中，考生需重点掌握相关系数（Correlation Coefficient, $r$）与决定系数（R²）的区别：
- $r$ 衡量两变量线性相关方向与强度（-1≤r≤1）
- R²表示自变量对因变量变异的解释比例（0≤R²≤1）

---

二、核心公式与计算步骤

关键公式速记

1. 斜率系数：
   $$ \beta_1 = \frac{\sum{(X_i - \bar{X})(Y_i - \bar{Y})}}{\sum{(X_i - \bar{X})^2}} $$
2. 截距项：
   $$ \beta_0 = \bar{Y} - \beta_1\bar{X} $$
3. 相关系数：
   $$ r = \frac{\sum{(X_i - \bar{X})(Y_i - \bar{Y})}}{\sqrt{\sum{(X_i - \bar{X})^2}\sum{(Y_i - \bar{Y})^2}}} $$

计算例题：股票收益与市场指数的关系

假设某分析师收集了5个交易日的市场指数收益率（X）与某股票收益率（Y）数据：
| 日期 | X（市场指数） | Y（股票收益） |
|------|---------------|---------------|
| 1 | 0.5% | 0.8% |
| 2 | 1.2% | 1.5% |
| 3 | -0.3% | -0.4% |
| 4 | 2.0% | 2.7% |
| 5 | -1.0% | -1.3% |

目标：计算回归方程 $Y = \beta_0 + \beta_1X$ 及R²值。

BA II Plus操作步骤：

1. 清空数据：按 2nd → DATA → 2nd → CLR WORK
2. 输入数据：
3. 按 2nd → DATA，进入数据输入模式
4. 输入X值：0.5 → ↓ → 1.2 → ↓ → -0.3 → ↓ → 2.0 → ↓ → -1.0
5. 输入Y值：0.8 → ↓ → 1.5 → ↓ → -0.4 → ↓ → 2.7 → ↓ → -1.3
6. 计算统计量：
7. 按 2nd → STAT → ▼ 选择 LinReg(ax+b)
8. 屏幕显示：
   • $a$（截距 $\beta_0$）= -0.08
   • $b$（斜率 $\beta_1$）= 1.35
   • $r$（相关系数）= 0.998
   • $r²$（R²）= 0.996

结果解读：
回归方程为 $Y = -0.08\% + 1.35X$，表明市场指数每上涨1%，该股票平均上涨1.35%。R²=99.6%说明模型解释了股票收益99.6%的波动。

💡 提示：使用 RBA Calculator（下载链接）可实现相同计算，其iOS应用界面更直观，适合快速验证结果。

---

三、常见错误提醒

1. 混淆相关系数与R²
2. 错误示例：认为 $r=0.8$ 意味着模型解释了80%的变异。

3. 正确理解：$r²=0.64$ 才是解释比例，$r$ 仅反映线性相关强度。

4. 忽略残差分析

5. 若残差图呈现非线性模式（如抛物线），说明线性假设不成立，需尝试多项式回归。

6. 误用外推预测

7. 例如：用历史数据拟合的模型预测极端市场情况（如2008年金融危机），可能因变量关系失效导致严重偏差。

8. 忽视多重共线性

9. 当自变量间高度相关时（如GDP增长率与工业产值），OLS估计量方差会急剧增大，需用方差膨胀因子（VIF）检验。

---

四、FAQ高频问题解析

Q1：如何判断回归模型是否有效？

答：需同时满足以下条件：
- 显著性检验：t统计量 > 临界值（通常|t|>2）
- 拟合优度：R²较高（但需警惕过拟合）
- 残差满足正态性与同方差性（通过QQ图或Breusch-Pagan检验）

Q2：R²=0.9与R²=0.99哪个模型更可靠？

答：R²越高不代表模型越可靠。例如：
- R²=0.99可能因样本量过小或包含无关变量导致过拟合；
- R²=0.9但通过残差检验的模型可能更具泛化能力。

Q3：如何处理异常值对回归结果的影响？

答：
1. 用箱线图或Z-score识别异常值；
2. 尝试稳健回归（Robust Regression）或剔除异常值后重新拟合；
3. 在FRM考试中，若题目未说明，默认保留异常值但需注明影响。

Q4：为什么残差必须满足同方差性？

答：异方差性会导致OLS估计量虽无偏但非有效，标准误计算错误，进而影响t检验和置信区间的可靠性。可通过White检验或加权最小二乘法（WLS）修正。

---

五、备考策略建议

1. 公式记忆技巧：将最小二乘法公式与"最小化误差平方和"的物理意义关联，避免死记硬背。
2. 计算器熟练度：每日练习BA II Plus的回归功能，重点掌握 STAT 模式下的数据输入与结果解读。
3. 案例模拟：用历史金融数据（如股票与行业指数）自主计算回归参数，强化实战能力。
4. 错题复盘：整理常见错误类型（如混淆 $r$ 与 $r²$），建立个人易错点清单。

通过系统掌握线性回归的数学原理与计算逻辑，考生可在FRM Part I的定量分析模块中高效得分。建议结合GARP官方教材与模拟题库，反复训练直至形成条件反射式的解题速度。