خط رگرسیون و کاربرد آن در بازارهای مالی

مقدمه

نوسانات بازارهای مالی، معامله‌گران و پژوهشگران را به استفاده از ابزارهای آماری و ریاضی برای درک بهتر رفتار قیمت هدایت کرده است.
خط رگرسیون یکی از ساده‌ترین و در عین حال قدرتمندترین ابزارها برای مدل‌سازی روند قیمت در بازه‌های زمانی مختلف است.
هدف این مقاله، ارائه‌ی یک چارچوب علمی–ریاضی برای محاسبه و به‌کارگیری رگرسیون در چارت‌های دارایی‌هایی چون طلا، نقره و بیتکوین است.

تعریف و مبانی رگرسیون خطی

در رگرسیون خطی ساده، رابطه‌ی بین متغیر مستقل \(x\) (مثلاً زمان یا شماره‌ی کندل) و متغیر وابسته \(y\) (قیمت) با یک خط مدل می‌شود:

\[
y = a + b x
\]

در این معادله، \(a\) عرض از مبدأ و \(b\) شیب خط است. برآورد ضرایب با روش حداقل مربعات انجام می‌شود تا مجموع مربعات اختلاف بین مقادیر مشاهده‌شده و مقادیر پیش‌بینی‌شده (باقیمانده‌ها) حداقل شود.

فرمول‌های برآورد حداقل مربعات

\[
b = \frac{\sum_{i=1}^{n} (x_i – \bar{x})(y_i – \bar{y})}{\sum_{i=1}^{n} (x_i – \bar{x})^2}
\]
\[
a = \bar{y} – b \bar{x}
\]

پس از محاسبه‌ی \(a\) و \(b\)، می‌توان مقدار قیمت پیش‌بینی‌شده را با \( \hat{y}_i = a + b x_i \) محاسبه کرد و باقیمانده هر مشاهده را به‌صورت \( e_i = y_i – \hat{y}_i \) به دست آورد.

اعتبارسنجی مدل: ضریب تعیین و خطاها

برای سنجش کیفیت برازش از ضریب تعیین \(R^2\) استفاده می‌شود:

\[
R^2 = 1 – \frac{\sum_{i=1}^{n} (y_i – \hat{y}_i)^2}{\sum_{i=1}^{n} (y_i – \bar{y})^2}
\]

مقدار \(R^2\) بین ۰ و ۱ است؛ هرچه بزرگ‌تر باشد، سهم بیشتری از واریانس قیمت توسط مدل توضیح داده می‌شود. برای برآورد پراکندگی باقیمانده‌ها، انحراف معیار باقیمانده را محاسبه می‌کنیم:

\[
s_e = \sqrt{\frac{\sum_{i=1}^{n} (y_i – \hat{y}_i)^2}{n – ۲}}
\]

و خطاهای استاندارد ضرایب نیز به‌صورت کلاسیک قابل محاسبه‌اند:

\[
\text{SE}(b) = \frac{s_e}{\sqrt{\sum_{i=1}^{n} (x_i – \bar{x})^2}}
\]
\[
\text{SE}(a) = s_e \cdot \sqrt{ \frac{1}{n} + \frac{\bar{x}^2}{\sum_{i=1}^{n} (x_i – \bar{x})^2} }
\]

انواع رگرسیون کاربردی در بازارهای مالی

رگرسیون خطی

برای روندهای نسبتاً پایدار مانند برخی فازهای طلا و نقره مناسب است. سادگی محاسبه و تفسیر باعث می‌شود در بسیاری از اندیکاتورهای پلتفرم‌های تحلیلی به‌کار رود.

رگرسیون لگاریتمی

\[
y = a + b \ln(x)
\]

در دارایی‌هایی با رشد شبه‌نمایی (مانند بیتکوین طی چرخه‌های بلندمدت)، تبدیل لگاریتمی زمان یا قیمت می‌تواند روندهای آهسته‌شونده را آشکار سازد. گاهی به‌جای \(x\) از \(\ln(y)\) استفاده می‌شود تا قیمت لگاریتمی خطی شود.

رگرسیون توانی

\[
y = a \cdot x^{b}
\]

وقتی روابط قانون توان مطرح‌اند (Power Law)، این مدل می‌تواند ساختار مقیاس‌پذیری را نمایش دهد. در عمل، با گرفتن لگاریتم، مدل به صورت خطی روی \(\ln(y)\) و \(\ln(x)\) برازش می‌شود:

\[
\ln(y) = \ln(a) + b \cdot \ln(x)
\]

باندهای رگرسیون و فواصل اطمینان

برای ارزیابی محدوده‌های محتمل حرکت قیمت، باندهای رگرسیون حول خط برازش‌شده ترسیم می‌شوند. یک تقریب رایج استفاده از چند برابر \(s_e\) است:

\[
\text{Upper Band}(x) = (a + b x) + k \cdot s_e
\]
\[
\text{Lower Band}(x) = (a + b x) – k \cdot s_e
\]

که \(k\) معمولاً ۱ یا ۲ انتخاب می‌شود. برای فواصل اطمینان دقیق نقطه‌ای (Prediction Interval)، می‌توان از فرمول کلاسیک بهره برد:

\[
\hat{y}(x) \pm t_{\alpha/2,\,n-2} \cdot s_e \cdot \sqrt{1 + \frac{1}{n} + \frac{(x – \bar{x})^2}{\sum (x_i – \bar{x})^2}}
\]

گام‌های عملی پیاده‌سازی روی چارت

• انتخاب پنجره: یک بازه‌ی زمانی مشخص (مثلاً ۱۰۰ کندل اخیر) برای محاسبه انتخاب کنید تا مدل به فاز کنونی بازار حساس باشد.
• تعریف \(x\): شماره‌ی کندل یا زمان نرمال‌سازی‌شده را به‌عنوان \(x\) در نظر بگیرید؛ استفاده از ایندکس ترتیبی محاسبه را ساده می‌کند.
• محاسبه‌ی \(\bar{x}, \bar{y}\): میانگین‌ها را روی پنجره‌ی انتخاب‌شده به دست آورید.
• برآورد \(a, b\): ضرایب را با فرمول‌های حداقل مربعات محاسبه کنید.
• ترسیم خط: مقدار \(\hat{y}(x)\) را برای نقاط پنجره محاسبه و روی چارت نمایش دهید.
• محاسبه‌ی باقیمانده‌ها: \(e_i = y_i – \hat{y}_i\) را به‌دست آورده و الگوهای سیستماتیک یا پرت‌ها را بررسی کنید.
• باندها و اعتبار: \(s_e\)، \(R^2\) و باندهای رگرسیون را محاسبه و نمایش دهید.
• به‌روزرسانی غلتان: با حرکت پنجره (Rolling Window) پارامترها را به‌روز کنید تا ابزار با جریان داده سازگار بماند.

مثال کوتاه داده‌های ساختگی (طلا)

با تعریف \(x = 1,2,\dots,10\) و استفاده از فرمول‌ها، خط رگرسیون صعودی به‌دست می‌آید. سپس می‌توان \(s_e\)، \(R^2\) و باندهای بالا/پایین را برای ارزیابی قدرت روند محاسبه کرد.

تحولات غیرخطی: لگاریتم قیمت و مدل‌های توان

در رمزارزها، چرخه‌های رشد و اصلاح ممکن است با تبدیل‌های لگاریتمی بهتر دیده شوند. دو رویکرد رایج:

• رگرسیون روی \(\ln(y)\): اگر \(\ln(y)\) در برابر زمان خطی‌تر باشد، می‌توان روند نمایی قیمت را به خط تبدیل و تحلیل کرد.
• رگرسیون توان با \(\ln(x), \ln(y)\): وقتی ساختار قانون توان وجود دارد، برازش خطی در فضای لگاریتمی دید بهتری از چرخه‌های بلندمدت می‌دهد.

مزایا و محدودیت‌ها

• مزایا: سادگی، سرعت محاسبه، تفسیر آسان، قابلیت ترکیب با اندیکاتورها (RSI، میانگین‌های متحرک، فیبوناچی).
• محدودیت‌ها: فرض خطی‌بودن ممکن است نقض شود؛ حساسیت به پرت‌ها؛ کاهش کارایی در رژیم‌های ساختاری متغیر (Regime Shifts).
• راه‌کارها: پنجره‌های غلتان کوتاه‌تر، فیلتر پرت‌ها، آزمون چندمدلی (خطی/لگاریتمی/توان) و ارزیابی با \(R^2\) و باقیمانده‌ها.

راهنمای عملی برای معامله‌گران

• تشخیص روند: شیب \(b\) را به‌همراه \(R^2\) بررسی کنید؛ شیب بزرگ با \(R^2\) پایین می‌تواند نشانه‌ی نویز باشد.
• زمان‌بندی ورود/خروج: برخورد یا فاصله‌ی شدید قیمت با باندهای رگرسیون اغلب مناطق واکنشی ایجاد می‌کند؛ تأیید را با RSI یا حجم همراه کنید.
• مدیریت ریسک: باندهای پایین را برای حد ضرر پویا و باندهای بالا را برای اهداف مرحله‌ای لحاظ کنید.
• تطبیق با دارایی: طلا/نقره معمولاً برای فازهای تثبیت مناسب‌تر با مدل خطی‌اند؛ بیتکوین در افق‌های بلندمدت از تبدیل‌های لگاریتمی سود می‌برد.