在 FRM（金融风险管理师）考试的备考旅程中，量化分析能力往往是区分考生水平的重要分水岭。无论是市场风险中的 VaR 模型构建，还是信用风险中的违约概率预测，回归分析都是底层的核心逻辑。掌握线性回归，不仅是通过 Part I 的必经之路，更是未来从事量化风控工作的基石技能。本文将深入解析线性回归的核心概念，结合经典计算例题与 BA II Plus 计算器操作，助你高效提分。
线性回归分析旨在研究一个因变量（Y）与一个或多个自变量（X）之间的线性关系。在 FRM 考试中，我们最常接触的是简单线性回归模型：
$$Y_i = \alpha + \beta X_i + \epsilon_i$$
其中，$\alpha$ 是截距项，$\beta$ 是斜率系数（在投资组合理论中常被称为 Beta 系数），$\epsilon_i$ 是误差项。我们的目标是通过历史数据，找到一条最佳拟合直线，使得预测值与实际值之间的差异最小。
这一“最佳拟合”的标准通常由最小二乘法（Ordinary Least Squares, OLS）来确定。最小二乘法的核心思想是：寻找参数 $\alpha$ 和 $\beta$，使得所有观测点的残差平方和（Sum of Squared Residuals）最小。即最小化 $\sum (Y_i - \hat{Y}_i)^2$。这种方法在统计学上具有无偏性和一致性，是金融建模中最稳健的估计方法之一。
为了巩固概念，我们来看一道典型的 FRM 风格计算题。
例题：
假设某分析师想要分析股票 A 的收益率（Y）与市场指数收益率（X）之间的关系。收集到的 5 组数据如下：
X: 1%, 2%, 3%, 4%, 5%
Y: 2%, 4%, 5%, 4%, 5%
请使用最小二乘法计算回归方程的斜率 $\beta$ 和截距 $\alpha$。
BA II Plus 操作步骤：
[2nd] 然后按下 [STAT]（即 LN 键）。LIN（线性回归）。按下 [2nd] [LIN] 进入。X01 输入 1，按 [Enter]，按 [Down Arrow]。Y01 输入 2，按 [Enter]，按 [Down Arrow]。[2nd] [LIST] 返回统计列表。b（斜率），显示 0.600。a（截距），显示 2.200。r（相关系数），显示 0.775。因此，回归方程为 $Y = 2.2 + 0.6X$。这意味着市场指数每上涨 1%，股票 A 预期上涨 0.6%。
对于习惯使用手机复习的考生，实体计算器的便携性有时是个挑战。此时，RBA Calculator 是一个极佳的替代方案。这是一款专为 TI BA II Plus 设计的 iOS 应用，完美复刻了实体计算器的界面与功能逻辑。在通勤或碎片化时间练习回归计算时，它能让你的操作手感与考场完全一致，避免因按键习惯不同导致的失误。
你可以在此下载：https://apps.apple.com/cn/app/id1545331477
在 FRM 考试的实际作答中，关于线性回归的常见失分点主要集中在以下几点：
LIN 回归模式，或者数据输入行列颠倒，会导致结果完全错误。务必在计算前确认屏幕显示 LIN 字样。Q1: 线性回归中的 $R^2$ 代表什么？
A: $R^2$（决定系数）表示自变量 X 能解释因变量 Y 变动比例的部分。例如 $R^2 = 0.8$ 意味着 80% 的 Y 的波动可以由 X 的变化来解释。它是衡量模型拟合优度的重要指标，但不能证明因果关系。
Q2: 相关系数（Correlation）与回归系数（Regression Slope）有什么区别？
A: 相关系数衡量的是两个变量之间线性关系的强度（-1 到 1 之间），没有单位。而回归系数（斜率 $\beta$）衡量的是 X 变动一个单位时，Y 的期望变动量，它具有 Y 的单位。两者符号通常相同，但数值不同。
Q3: 什么时候不能使用最小二乘法？
A: 当误差项存在自相关、异方差，或者因变量是离散变量（如违约与否）时，普通最小二乘法（OLS）可能不再适用。此时可能需要使用广义最小二乘法（GLS）或逻辑回归（Logistic Regression）。
Q4: 在 FRM 考试中，如何快速判断回归模型是否有效？
A: 除了看 $R^2$ 是否较高外，还要关注 t 统计量。如果斜率系数的 t 统计量绝对值大于 2（在 5% 显著性水平下），通常认为该系数显著不为零，模型具有统计意义。
线性回归分析是 FRM 量化知识体系中的“骨架”。通过理解最小二乘法的原理，熟练掌握 BA II Plus 或 RBA Calculator 中的 LIN 功能操作，并警惕常见的建模误区，你将能够在考试中获得稳定的分数。记住，工具只是辅助，对金融逻辑的理解才是核心。祝各位考生备考顺利，早日拿证！