在 FRM（金融风险管理师）Part 1 的量化分析模块中，线性回归分析是构建风险模型、理解变量间关系的基石。无论是市场风险的 VaR 模型构建，还是信用风险中的违约概率预测，回归分析都是不可或缺的工具。本章我们将深入探讨线性回归的核心逻辑，重点掌握最小二乘法的计算原理以及 TI BA II Plus 计算器的LIN模式操作，帮助考生在考试中快速得分。
简单线性回归模型旨在描述两个变量之间的线性关系，其标准方程为：
$$Y = \alpha + \beta X + \epsilon$$
其中，$Y$ 是因变量（Dependent Variable），$X$ 是自变量（Independent Variable），$\alpha$ 是截距项，$\beta$ 是斜率系数，$\epsilon$ 是误差项。在 FRM 考试中，理解系数的经济含义至关重要。$\beta$ 代表了 $X$ 每变动一个单位，$Y$ 平均变动的幅度。例如，在资本市场模型中，$\beta$ 系数衡量了个股相对于市场组合的波动性。
为了得到最优的估计参数，我们通常采用最小二乘法（Ordinary Least Squares, OLS）。该方法的核心思想是寻找一组参数 $\alpha$ 和 $\beta$，使得所有观测点到回归直线的垂直距离（残差）的平方和最小。数学表达为最小化 $\sum (Y_i - \hat{Y}_i)^2$。这种方法在统计学上具有无偏性和有效性，是 FRM 量化部分必须掌握的核心算法逻辑。
在手动计算或理解公式推导时，考生需要牢记斜率和截距的计算公式：
$$\beta = \frac{\sum (X_i - \bar{X})(Y_i - \bar{Y})}{\sum (X_i - \bar{X})^2} = \frac{Cov(X,Y)}{Var(X)}$$
$$\alpha = \bar{Y} - \beta \bar{X}$$
此外，拟合优度 $R^2$ 也是常考点，它表示回归模型对因变量变异的解释比例。$R^2$ 越接近 1，说明模型拟合效果越好。在实际 FRM 考试中，直接手算这些公式不仅耗时且容易出错，因此熟练掌握计算器的统计功能是提分关键。
例题：
假设某分析师收集了以下 5 组市场收益率（X）与某股票收益率（Y）的数据，用于计算该股票的 Beta 系数。
| 观测值 | X (市场收益率) | Y (股票收益率) |
|---|---|---|
| 1 | 1.0 | 1.5 |
| 2 | 2.0 | 2.5 |
| 3 | 3.0 | 3.5 |
| 4 | 4.0 | 4.5 |
| 5 | 5.0 | 5.5 |
请计算斜率 $\beta$ 和截距 $\alpha$。
手动逻辑分析：
通过观察数据可知，Y 与 X 存在完美的线性关系，每增加 1 个单位的 X，Y 增加 1 个单位。因此斜率 $\beta$ 应为 1。当 X=0 时，Y 应为 0.5，故截距 $\alpha$ 为 0.5。但在考试中数据通常不会如此整齐，因此我们使用计算器。
TI BA II Plus 操作步骤：
2nd 键，然后按 7（STAT 键）。LIN（Linear Regression），然后按 ENTER 确认。此时屏幕显示 LIN，表示已进入LIN模式。2nd 键，然后按 DATA 键进入数据输入界面。↓ 键。→ 键。↓ 键。2nd 键，然后按 7（STAT 键）。slope 显示为 1.000，即 $\beta = 1$。intercept 显示为 .500，即 $\alpha = 0.5$。r^2 显示为 1.000，表示完美拟合。对于习惯使用移动设备备考的考生，推荐使用 RBA Calculator（TI BA II Plus iOS 应用）进行模拟练习。该应用完美复刻了实体计算器的功能，支持LIN模式统计计算，随时随地均可进行回归分析训练。下载链接：https://apps.apple.com/cn/app/id1545331477
在回归分析题目中，考生常犯以下错误，需格外注意：
slope 还是 intercept。$\beta$ 系数对应斜率，反映敏感性；$\alpha$ 对应截距，反映基准收益。Q1: 线性回归中的残差（Residual）是什么？
A1: 残差是观测值 $Y_i$ 与回归模型预测值 $\hat{Y}_i$ 之间的差值，即 $e_i = Y_i - \hat{Y}_i$。最小二乘法的目标就是使残差平方和最小。在模型诊断中，如果残差呈现明显的模式（如扇形分布），则可能暗示模型存在异方差问题。
Q2: 如何解释 $R^2$ 的经济含义？
A2: $R^2$（决定系数）表示因变量 $Y$ 的总变异中，能被自变量 $X$ 解释的比例。例如，$R^2 = 0.85$ 意味着 85% 的股票收益率波动可以通过市场收益率的变化来解释，剩余 15% 由企业特有风险或其他因素导致。
Q3: 在 FRM 考试中，如何进行回归系数的显著性检验？
A3: 通常使用 t 检验。零假设 $H_0$ 为系数 $\beta = 0$（即变量间无线性关系）。计算 t 统计量 $t = \frac{\hat{\beta}}{SE(\hat{\beta})}$，其中 $SE$ 为标准误。若 t 值的绝对值大于临界值，则拒绝零假设，认为系数显著不为 0。
Q4: 为什么有时使用对数线性模型？
A4: 当变量之间存在指数增长关系或为了消除异方差性时，常使用对数变换。例如 $\ln(Y) = \alpha + \beta \ln(X) + \epsilon$。此时，$\beta$ 解释为弹性系数，即 X 变动 1%，Y 平均变动 $\beta$%。这在金融收益率分析中非常常见。
线性回归分析是 FRM 量化分析章节的精华内容。掌握最小二乘法的原理，理解回归方程的经济含义，并熟练运用 TI BA II Plus 的LIN模式进行快速计算，是应对考试的关键。建议考生结合 RBA Calculator 进行大量模拟练习，确保在考场上能够准确无误地输出结果。同时，务必警惕常见陷阱，深入理解模型假设与局限性，才能在风险管理实践中真正运用好这一工具。