← 返回博客列表

一文搞懂线性回归分析：FRM 备考必读

在 FRM（金融风险管理师）考试的量化分析部分，回归分析无疑是基石般的存在。无论是理解资本资产定价模型（CAPM），还是进行风险价值（VaR）的建模，都离不开对变量间关系的量化描述。许多考生在备考初期，往往被复杂的统计公式吓退，但实际上，只要掌握了核心逻辑——最小二乘法，并熟练运用计算器上的 LIN 模式，这一难点便可迎刃而解。本文将带你从概念到实战，全面攻克线性回归分析。

线性回归的核心概念：最小二乘法原理

什么是回归分析？

线性回归分析旨在建立因变量（Y）与一个或多个自变量（X）之间的线性关系。在 FRM 一级考试中，我们主要关注简单线性回归，即只有一个自变量的情况。其基本模型可以表示为：$Y_i = \alpha + \beta X_i + \epsilon_i$。其中，$\alpha$ 是截距，$\beta$ 是斜率（回归系数），而 $\epsilon_i$ 则是误差项。理解这个公式的含义是解题的第一步，$\beta$ 代表了 X 每变动一个单位，Y 平均变动的幅度，这是风险评估中衡量敏感度指标的关键。

最小二乘法 (OLS) 的作用

那么，我们如何确定 $\alpha$ 和 $\beta$ 的具体数值呢？答案就是最小二乘法（Ordinary Least Squares, OLS）。OLS 的核心思想是寻找一条直线，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。通过最小化误差平方和，我们得到了最优的参数估计值。在 FRM 考试中，你不需要手算复杂的求和公式，但必须理解 OLS 的几何意义：它是在寻找一条“最佳拟合线”，使得预测值与实际值之间的偏差最小化。

FRM 实战计算：BA II Plus 操作指南

在考试现场，利用德州仪器 TI BA II Plus 计算器进行回归计算是节省时间的关键。计算器有一个专门的统计模式，当输入成对数据时，会自动进入 LIN（Linear）模式。

计算例题

假设某分析师收集了某资产过去 5 个月的收益率（Y）与市场指数收益率（X）的数据，如下表所示：

月份	市场指数 (X)	资产收益 (Y)
1	1	2
2	2	4
3	3	5
4	4	4
5	5	5

我们需要计算回归系数 $\beta$（斜率）、截距 $\alpha$ 以及决定系数 $R^2$。

TI BA II Plus 操作步骤 (LIN mode)

1. 清除旧数据：首先按 2nd 8 (STAT)，然后按 2nd CE/C (WRG)，清除回归工作区数据。
2. 输入数据：
   • 输入 1 INPUT 2 , 2nd 7 (DATA)。
   • 输入 2 INPUT 4 , 2nd 7 (DATA)。
   • 依次输入剩余三组数据 (3,5), (4,4), (5,5)。此时屏幕左上角应显示 LIN，表明计算器已自动识别为线性回归模式。
3. 计算统计量：
   • 按 2nd 8 (STAT)，选择 2nd 1 (LN)。
   • 按 1 查看斜率 $\beta$，结果显示为 1.0。
   • 按 2 查看截距 $\alpha$，结果显示为 1.5。
   • 按 3 查看相关系数 $R$，按 4 查看决定系数 $R^2$，结果显示为 0.8485。

通过上述步骤，我们得出回归方程为 $Y = 1.5 + 1.0X$。这意味着市场指数每上涨 1 个点，该资产预期上涨 1 个点。

移动端备考神器：RBA Calculator

对于没有实体计算器或习惯在手机上刷题的考生，推荐使用 RBA Calculator。这是由 RiskBased 开发的一款官方认证应用，功能与 TI BA II Plus 完全一致，支持统计回归计算。你可以在通勤或碎片时间使用它进行练习，确保手感不生疏。
下载链接：https://apps.apple.com/cn/app/id1545331477

常见错误提醒

在 FRM 备考中，除了计算，概念陷阱同样致命。以下是考生最容易犯的错误：

1. 混淆相关性与因果性：回归分析只能说明变量间存在统计上的相关关系，不能直接证明因果关系。例如，冰淇淋销量与溺水事故数可能高度相关，但这不代表吃冰淇淋导致溺水，而是因为夏季高温这一共同因素。
2. 忽视异常值的影响：最小二乘法对异常值非常敏感。一个极端的异常值可能会显著扭曲回归线的位置，导致 $\beta$ 估计值失真。在分析数据时，务必先进行异常值检测。
3. 误读 $R^2$ 的含义：$R^2$ 表示因变量的变异中能被自变量解释的比例。高 $R^2$ 并不一定意味着模型好，如果存在过拟合或虚假回归，$R^2$ 也可能很高。

考生常见疑问 (FAQ)

Q1: 如果 $R^2$ 很低，意味着回归模型无效吗？
A: 不一定。$R^2$ 低说明自变量对因变量的解释能力较弱，但这取决于研究目的。如果是预测模型，低 $R^2$ 确实意味着预测不准；但如果是检验特定系数的显著性（例如检验 $\beta$ 是否不为 0），即使 $R^2$ 较低，只要 t 统计量显著，该变量依然具有统计意义。

Q2: 什么是异方差性，它为什么重要？
A: 异方差性是指误差项的方差随 X 的变化而变化，不是常数。这违反了 OLS 的基本假设。在 FRM 考试中，异方差性会导致标准误估计偏差，进而影响 t 检验和置信区间的准确性。发现异方差时，通常需要使用稳健标准误（Robust Standard Errors）进行修正。

Q3: 多重共线性会在简单回归中出现吗？
A: 简单线性回归只有一个自变量，因此不存在多重共线性问题。多重共线性主要出现在多元回归分析中，即两个或多个自变量之间高度相关，导致系数估计不稳定。FRM 二级考试中会深入涉及这一概念。

Q4: 计算器显示 LIN 模式，但我输入了多组 X，为什么不能做多项式回归？
A: TI BA II Plus 的统计功能主要支持线性回归（LIN）、二次回归（QUAD）等。默认情况下，输入成对数据会进入 LIN 模式。若要进行多项式回归，需确保输入数据格式正确，但 FRM 考试绝大多数情况考察的都是一元线性回归，掌握 LIN 模式即可应对 99% 的题目。

掌握线性回归分析，不仅是通过 FRM 考试的需要，更是未来从事风险管理工作必备的核心技能。希望本文能帮助你理清思路，高效备考。