← 返回博客列表

线性回归速成：10 分钟搞定 FRM 必考知识点

在 FRM 一级考试的量化分析（Quantitative Analysis）部分，线性回归分析是绝对的重头戏。无论是理解风险因子模型，还是计算 VaR 的敏感性，回归分析都是基石。许多考生因为对计算器操作不熟练或对概念理解模糊而丢分。本文将带你快速梳理核心逻辑，掌握最小二乘法原理，并通过实战例题配合 BA II Plus 计算器步骤，助你高效备考。

核心概念：理解回归与最小二乘法

简单线性回归（Simple Linear Regression, SLR）旨在描述两个变量之间的线性关系。在 FRM 语境下，我们通常关注因变量 $Y$（如资产收益率）与自变量 $X$（如市场收益率）之间的关系。模型表达式为：

$$Y_i = \alpha + \beta X_i + \epsilon_i$$

其中，$\alpha$ 是截距项，$\beta$ 是斜率（即我们常说的 Beta 系数），$\epsilon_i$ 是误差项。

FRM 考试中，最核心的估算方法是最小二乘法（Ordinary Least Squares, OLS）。其基本原理是寻找一条直线，使得所有观测点到这条直线的垂直距离（即残差）的平方和最小。数学上表示为最小化 $\sum (Y_i - \hat{Y}_i)^2$。理解这一点至关重要，因为当题目问到你为什么要用 OLS 时，答案就是因为它无偏且有效，且在正态分布误差假设下具有最佳线性无偏估计量（BLUE）的性质。

此外，你需要关注 $R^2$（决定系数），它表示自变量解释了因变量变异的百分比。在风险管理中，高 $R^2$ 意味着模型拟合度高，预测能力相对更强。

实战演练：BA II Plus 计算与 LIN 模式

FRM 考试允许使用特定计算器，熟练使用 TI BA II Plus 能为你节省大量时间。以下是一个典型例题。

例题：
假设我们有 5 组观测数据，自变量 $X$ 为 [1, 2, 3, 4, 5]，因变量 $Y$ 为 [2, 4, 5, 4, 5]。请计算回归方程的斜率 $\beta$ 和截距 $\alpha$，以及相关系数 $R$。

BA II Plus 操作步骤：

1. 进入统计模式： 按下 2nd + STAT（DATA 键）。屏幕显示 X01 和 Y01。
2. 输入数据：
   • 在 X01 处输入 1，按 Enter，再按 ↓。
   • 在 Y01 处输入 2，按 Enter，再按 ↓。
   • 重复此过程，依次输入剩余数据点 (2,4), (3,5), (4,4), (5,5)。
   • 输入完成后，确保 X05 和 Y05 高亮，按 ↓ 直到显示 n=5。
3. 进入回归计算： 按下 2nd + STAT（REG 键）。
4. 选择回归类型： 屏幕上方会显示 REG: LIN。这里必须确保选择的是 LIN（线性回归）。如果是其他模式（如 QUAD 或 EXP），请按 ▼ 或 ▲ 切换至 LIN。
5. 读取结果：
   • 按 ▼ 查看 Slope（斜率 $\beta$），显示值约为 0.6。
   • 按 ▼ 查看 Int（截距 $\alpha$），显示值约为 2.6。
   • 按 ▼ 查看 R（相关系数），显示值约为 0.775。
   • 按 ▼ 查看 R²（决定系数），显示值约为 0.60。

手机用户提示：
如果你没有实体计算器，或者想在通勤时练习，可以使用 RBA Calculator。这是专门模拟 TI BA II Plus 的 iOS 应用，界面与实体机完全一致，支持完整的统计回归功能。下载链接：https://apps.apple.com/cn/app/id1545331477。利用这款应用，你可以随时随地熟悉 LIN 模式的操作路径，避免考试时手忙脚乱。

避坑指南：FRM 考试常见错误提醒

在回归分析相关题目中，考生容易犯以下错误，请务必警惕：

1. 混淆 X 与 Y： 在输入数据时，务必确认哪一个是自变量（解释变量），哪一个是因变量（被解释变量）。例如在 CAPM 模型中，市场收益率通常是 $X$，个股收益率是 $Y$。输反会导致斜率含义完全错误。
2. 未清空旧数据： 在进行新题计算前，务必检查是否残留了上一题的数据。建议每次计算前按 2nd + RESET 清除内存，或者在统计模式下确认 n 值正确。
3. 误解 $R^2$ 与 $R$： $R$ 是相关系数，范围在 -1 到 1 之间；$R^2$ 是决定系数，范围在 0 到 1 之间。题目问解释力度时通常指 $R^2$。
4. 忽略单位影响： 回归系数 $\beta$ 的单位取决于 $Y$ 和 $X$ 的单位。如果 $Y$ 是百分比，$X$ 是指数点，$\beta$ 的含义需要结合单位解读，否则在计算敏感性时会出错。

高频问答 (FAQ)

Q1: 如果题目没有给计算器，如何手算斜率 $\beta$？
A: 虽然考试有计算器，但理解公式有助于判断选项合理性。斜率公式为 $\beta = \frac{Cov(X,Y)}{Var(X)}$。即 $X$ 与 $Y$ 的协方差除以 $X$ 的方差。如果 $X$ 和 $Y$ 同向变动，$\beta$ 为正；反向变动则为负。

Q2: 残差（Residual）在回归分析中有何作用？
A: 残差 $\epsilon_i = Y_i - \hat{Y}_i$ 是实际值与预测值之差。在 FRM 中，我们需要假设残差是随机分布的，无自相关且方差齐性。如果残差呈现规律性（如 U 型），说明模型设定可能存在错误，或者遗漏了重要变量。

Q3: 如何判断回归系数是否显著？
A: 通常通过 t 统计量来判断。$t = \frac{\beta}{SE(\beta)}$，其中 $SE(\beta)$ 是斜率的标准误。如果 t 值的绝对值大于临界值（如 95% 置信度下约为 1.96），则拒绝原假设，认为系数显著不为零。在计算器上，部分型号可直接读出标准误数据。

Q4: 多元线性回归与简单线性回归有何不同？
A: 简单回归只有一个自变量，而多元回归（Multiple Regression）包含多个自变量（如 $Y = \alpha + \beta_1 X_1 + \beta_2 X_2 + \epsilon$）。在计算 $R^2$ 时，多元回归通常会更高，但需注意调整后的 $R^2$（Adjusted $R^2$），它惩罚了过多变量的加入，更能反映模型的真实解释力。

结语

线性回归是 FRM 量化部分的基石，掌握最小二乘法的原理和 BA II Plus 的 LIN 模式操作，能让你在考场上游刃有余。记住，理论理解结合工具熟练度，才是通过考试的关键。不要忽视那些看似简单的计算题，它们往往是拉开分差的基础。现在，拿起你的计算器或打开 RBA Calculator，动手练习几组数据吧！