Fundamentos de la regresión para el análisis de negocios Si alguna vez te has preguntado cómo dos o más cosas se relacionan entre sí, o si alguna vez tu jefe te ha pedido que crees un pronóstico o analizes las relaciones entre las variables, entonces la regresión del aprendizaje valdrá tu tiempo. En este artículo, aprenderá los fundamentos de la regresión lineal simple - una herramienta comúnmente utilizada en la previsión y el análisis financiero. Comenzaremos por aprender los principios básicos de la regresión, primero aprenderemos acerca de la covarianza y la correlación, y después pasaremos a construir e interpretar una salida de regresión. Una gran cantidad de software como Microsoft Excel puede hacer todos los cálculos de regresión y salidas para usted, pero sigue siendo importante para aprender la mecánica subyacente. Variables En el centro de la regresión está la relación entre dos variables llamadas variables dependientes e independientes. Por ejemplo, suponga que desea pronosticar las ventas para su empresa y youve concluyó que las ventas de su empresa subir y bajar dependiendo de los cambios en el PIB. Las ventas que está pronosticando serían la variable dependiente porque su valor depende del valor del PIB y el PIB sería la variable independiente. A continuación, debe determinar la fuerza de la relación entre estas dos variables con el fin de pronosticar las ventas. Si el PIB aumenta / disminuye en 1, cuánto aumentarán o disminuirán sus ventas? Covariance La fórmula para calcular la relación entre dos variables se llama covarianza. Este cálculo muestra la dirección de la relación así como su fuerza relativa. Si una variable aumenta y la otra tiende a aumentar, la covarianza sería positiva. Si una variable sube y la otra tiende a bajar, entonces la covarianza sería negativa. El número real que se obtiene al calcular esto puede ser difícil de interpretar porque no está estandarizado. Una covarianza de cinco, por ejemplo, se puede interpretar como una relación positiva, pero la fuerza de la relación sólo se puede decir que es más fuerte que si el número era cuatro o más débil que si el número era de seis. Coeficiente de Correlación Necesitamos estandarizar la covarianza para permitirnos una mejor interpretación y uso en la predicción, y el resultado es el cálculo de correlación. El cálculo de correlación simplemente toma la covarianza y la divide por el producto de la desviación estándar de las dos variables. Esto enlazará la correlación entre un valor de -1 y 1. Una correlación de 1 puede interpretarse para sugerir que ambas variables se mueven perfectamente positivamente entre sí y un -1 implica que están perfectamente correlacionadas negativamente. En nuestro ejemplo anterior, si la correlación es 1 y el PIB aumenta en 1, las ventas aumentarían en 1. Si la correlación es -1, un aumento en el PIB daría lugar a una disminución de las ventas, lo cual es exactamente lo contrario. Ecuación de regresión Ahora que sabemos cómo se calcula la relación relativa entre las dos variables, podemos desarrollar una ecuación de regresión para pronosticar o predecir la variable que deseamos. A continuación se muestra la fórmula para una regresión lineal simple. El y es el valor que estamos tratando de pronosticar, el b es la pendiente de la regresión, el x es el valor de nuestro valor independiente, y el a representa el intercepto-y. La ecuación de regresión simplemente describe la relación entre la variable dependiente (y) y la variable independiente (x). El intercepto, o a, es el valor de y (variable dependiente) si el valor de x (variable independiente) es cero. Por lo tanto, si no hubo cambios en el PIB, su empresa seguiría realizando algunas ventas; este valor, cuando el cambio en el PIB es cero, es el intercepto. Echa un vistazo al gráfico de abajo para ver una representación gráfica de una ecuación de regresión. En este gráfico, sólo hay cinco puntos de datos representados por los cinco puntos en el gráfico. La regresión lineal intenta estimar una línea que mejor se ajuste a los datos, y la ecuación de esa línea resulta en la ecuación de regresión. Figura 1: Línea de mejor ajuste Interpretación Las principales salidas que necesita preocuparse por la regresión lineal simple son el R-cuadrado. El intercepto y el coeficiente del PIB. El número R-cuadrado en este ejemplo es 68.7 - esto muestra lo bien que nuestro modelo predice o pronostica las ventas futuras. A continuación tenemos una intercepción de 34.58, que nos dice que si se prevé que el cambio en el PIB sea cero, nuestras ventas serían alrededor de 35 unidades. Y por último, el coeficiente de correlación del PIB de 88.15 nos dice que si el PIB aumenta en 1, las ventas probablemente subirán en aproximadamente 88 unidades. La línea de fondo Así que cómo usaría este modelo simple en su negocio? Bueno, si su investigación le lleva a creer que el próximo cambio del PIB será un cierto porcentaje, puede conectar ese porcentaje en el modelo y generar un pronóstico de ventas. Esto puede ayudarle a desarrollar un plan y un presupuesto más objetivos para el próximo año. Por supuesto esto es sólo una regresión simple y hay modelos que se pueden construir que utilizan varias variables independientes llamadas múltiples regresiones lineales. Pero las regresiones lineales múltiples son más complicadas y tienen varios problemas que necesitarían otro artículo para discutir. La parte del beneficio de una empresa asignada a cada acción en circulación de acciones ordinarias. El beneficio por acción sirve como indicador. Desde la elección de Donald Trump, las expectativas de inflación se dispararon, ya que muchos creen que sus políticas llevarán a aumentos de precios. La generación de individuos de mediana edad que son presionados para apoyar tanto a los padres envejecidos como a los niños en crecimiento. El sandwich. Las operaciones de petróleo y gas que tienen lugar después de la fase de producción, hasta el punto de venta. Operaciones aguas abajo. El nombre dado al jueves, 24 de octubre de 1929, cuando el promedio industrial Dow Jones cayó 11 en el abierto en un volumen muy pesado. El proceso de determinar el valor actual de un activo o empresa. La importancia de la correlación Los comerciantes que están deseosos de probar una idea de negociación en un mercado vivo a menudo cometen el error de confiar totalmente en los resultados de la prueba de fondo para determinar si el sistema será rentable. Mientras backtesting puede proporcionar a los comerciantes con información valiosa, a menudo es engañosa y es sólo una parte del proceso de evaluación. Las pruebas fuera de la muestra y las pruebas de rendimiento avanzadas proporcionan una confirmación adicional con respecto a la eficacia de los sistemas y pueden mostrar colores verdaderos del sistema antes de que el efectivo real esté en la línea. Una buena correlación entre el backtesting, los resultados fuera de la muestra y los resultados de las pruebas de rendimiento forward es vital para determinar la viabilidad de un sistema comercial. Backtesting Basics Backtesting se refiere a la aplicación de un sistema de comercio a los datos históricos para verificar cómo se habría realizado un sistema durante el transcurso de El período de tiempo especificado. Muchas de las plataformas de comercio de hoy apoyan backtesting. Los comerciantes pueden probar ideas con unas pocas pulsaciones de teclas y obtener una visión de la eficacia de una idea sin arriesgar fondos en una cuenta comercial. El backtesting puede evaluar ideas sencillas, como la forma en que un crossover de media móvil se realizaría en datos históricos, o sistemas más complejos con una variedad de entradas y disparadores. Siempre y cuando una idea puede ser cuantificada puede ser backtested. Algunos comerciantes e inversores pueden buscar la experiencia de un programador calificado para desarrollar la idea en una forma comprobable. Normalmente, esto implica que un programador codifique la idea en el lenguaje propietario alojado en la plataforma de negociación. El programador puede incorporar variables de entrada definidas por el usuario que permiten al operador ajustar el sistema. Un ejemplo de esto sería en el simple sistema de cruce de media móvil señalado anteriormente: el comerciante sería capaz de introducir (o cambiar) las longitudes de los dos promedios móviles utilizados en el sistema. El comerciante podría backtest para determinar qué longitudes de las medias móviles habría realizado el mejor en los datos históricos. (Obtenga más información sobre el Tutorial de Comercio Electrónico.) Estudios de Optimización Muchas plataformas de negociación también permiten estudios de optimización. Esto implica introducir un rango para la entrada especificada y dejar que el ordenador haga las matemáticas para averiguar qué entrada habría realizado el mejor. Una optimización multi-variable puede hacer las matemáticas para dos o más variables combinadas para determinar qué niveles juntos habrían logrado el mejor resultado. Por ejemplo, los comerciantes pueden decirle al programa qué insumos les gustaría agregar a su estrategia, estos serían optimizados a su peso ideal dados los datos históricos probados. Backtesting puede ser emocionante en que un sistema no rentable a menudo puede transformarse mágicamente en una máquina de hacer dinero con unas pocas optimizaciones. Desafortunadamente, ajustar un sistema para lograr el mayor nivel de rentabilidad pasada a menudo conduce a un sistema que funcionará mal en el comercio real. Esta sobre-optimización crea sistemas que sólo se ven bien en papel. Curve fitting es el uso de analíticas de optimización para crear el mayor número de operaciones ganadoras con el mayor beneficio sobre los datos históricos utilizados en el período de prueba. A pesar de que se ve impresionante en los resultados de backtesting, el ajuste de curvas conduce a sistemas poco fiables, ya que los resultados son esencialmente diseñados específicamente para ese período de tiempo y datos particulares. Backtesting y la optimización de proporcionar muchos beneficios a un comerciante, pero esto es sólo una parte del proceso al evaluar un sistema de comercio potencial. Un paso siguiente de los comerciantes es aplicar el sistema a los datos históricos que no se han utilizado en la fase inicial del backtesting. (El promedio móvil es fácil de calcular y, una vez trazada en un gráfico, es una poderosa herramienta de detección de tendencias visuales.) Para obtener más información, lea Promedios móviles sencillos que destacan las tendencias.) Datos de muestra o no de muestra Al probar una idea sobre datos históricos, es beneficioso reservar un período de tiempo de datos históricos para propósitos de prueba. Los datos históricos iniciales sobre los que se prueba y optimiza la idea se denominan datos de la muestra. El conjunto de datos que se ha reservado se conoce como datos fuera de la muestra. Esta configuración es una parte importante del proceso de evaluación porque proporciona una manera de probar la idea en datos que no han sido un componente en el modelo de optimización. Como resultado, la idea no habrá sido influenciada de ninguna manera por los datos fuera de la muestra y los comerciantes serán capaces de determinar qué tan bien el sistema podría realizar en nuevos datos, es decir, en la vida real de comercio. Antes de iniciar cualquier backtesting o optimización, los comerciantes pueden reservar un porcentaje de los datos históricos que se reservarán para las pruebas fuera de la muestra. Un método consiste en dividir los datos históricos en tercios y segregar un tercio para su uso en las pruebas fuera de la muestra. Sólo los datos de la muestra deben utilizarse para la prueba inicial y cualquier optimización. La Figura 1 muestra una línea de tiempo en la que un tercio de los datos históricos se reservan para las pruebas fuera de la muestra, y dos tercios se utilizan para la prueba en la muestra. Aunque la Figura 1 representa los datos fuera de la muestra al comienzo de la prueba, los procedimientos típicos tendrían la porción fuera de la muestra inmediatamente anterior a la ejecución hacia adelante. Figura 1: Una línea de tiempo que representa la longitud relativa de los datos de la muestra y fuera de la muestra utilizados en el proceso de backtesting. Una vez que un sistema de comercio se ha desarrollado utilizando datos de la muestra, está listo para ser aplicado a los datos fuera de la muestra. Los operadores pueden evaluar y comparar los resultados de rendimiento entre los datos de la muestra y los de la muestra. La correlación se refiere a similitudes entre los resultados y las tendencias generales de los dos conjuntos de datos. Las métricas de correlación se pueden utilizar en la evaluación de los informes de rendimiento de la estrategia creados durante el período de prueba (una característica que proporcionan la mayoría de las plataformas de negociación). Cuanto más fuerte sea la correlación entre los dos, mejor será la probabilidad de que un sistema tenga un buen desempeño en las pruebas de desempeño avanzado y el comercio en vivo. La Figura 2 ilustra dos sistemas diferentes que fueron probados y optimizados en los datos de la muestra, luego aplicados a datos fuera de la muestra. El gráfico de la izquierda muestra un sistema que estaba claramente ajustado a la curva para funcionar bien en los datos de la muestra y falló completamente en los datos fuera de la muestra. El gráfico de la derecha muestra un sistema que se ha desempeñado bien en datos tanto dentro como fuera de la muestra. Figura 2: Dos curvas de patrimonio. Los datos comerciales antes de cada flecha amarilla representan la prueba en la muestra. Las operaciones generadas entre las flechas amarillas y rojas indican las pruebas fuera de la muestra. Las operaciones después de las flechas rojas provienen de las fases de prueba de rendimiento hacia adelante. Si hay poca correlación entre las pruebas en la muestra y fuera de la muestra, como el gráfico de la izquierda en la Figura 2, es probable que el sistema haya sido sobre optimizado y no tendrá un buen rendimiento en el comercio en vivo. Si hay una fuerte correlación en el desempeño, como se ve en el gráfico de la derecha en la Figura 2, la siguiente fase de evaluación implica un tipo adicional de prueba fuera de la muestra conocida como prueba de rendimiento forward. (Para obtener más información sobre la previsión, consulte Previsión financiera: El método Bayesiano). Proporciona a los comerciantes otro conjunto de datos fuera de la muestra sobre los que evaluar un sistema. Las pruebas de desempeño avanzadas son una simulación de transacciones reales e implican seguir la lógica de sistemas en un mercado activo. También se llama comercio de papel ya que todos los oficios se ejecutan en papel sólo que es, las entradas y salidas comerciales se documentan junto con cualquier beneficio o pérdida para el sistema, pero no real operaciones se ejecutan. Un aspecto importante de las pruebas de rendimiento avanzadas es seguir exactamente la lógica de los sistemas, resulta difícil, si no imposible, evaluar con precisión este paso del proceso. Los comerciantes deben ser honestos acerca de las entradas y salidas comerciales y evitar comportamientos como los de cosecha de cerezas o no incluyendo un comercio en el papel de racionalización que nunca habría tomado ese comercio. Si el comercio hubiera ocurrido siguiendo la lógica de los sistemas, debería documentarse y evaluarse. Muchos corredores ofrecen una cuenta de comercio simulada donde las operaciones pueden ser colocadas y la ganancia y pérdida correspondiente calculado. El uso de una cuenta de comercio simulada puede crear una atmósfera semiorrealista en la que practicar el comercio y evaluar aún más el sistema. La Figura 2 también muestra los resultados para las pruebas de rendimiento directo en dos sistemas. Una vez más, el sistema representado en el gráfico de la izquierda falla mucho más allá de la prueba inicial en los datos de la muestra. El sistema que se muestra en el gráfico de la derecha, sin embargo, sigue funcionando bien a través de todas las fases, incluyendo la prueba de rendimiento hacia adelante. Un sistema que muestra resultados positivos con una buena correlación entre las pruebas de desempeño dentro de la muestra, fuera de la muestra y hacia adelante está listo para ser implementado en un mercado en vivo. La línea de fondo Backtesting es una valiosa herramienta disponible en la mayoría de plataformas comerciales. La división de datos históricos en múltiples conjuntos para proporcionar pruebas en la muestra y fuera de la muestra puede proporcionar a los comerciantes un medio práctico y eficiente para evaluar una idea y sistema de comercio. Dado que la mayoría de los comerciantes emplean técnicas de optimización en backtesting, es importante evaluar el sistema en datos limpios para determinar su viabilidad. Continuar las pruebas fuera de la muestra con pruebas de rendimiento avanzadas proporciona otra capa de seguridad antes de poner un sistema en el mercado arriesgando dinero real. Los resultados positivos y la buena correlación entre el backtesting dentro de la muestra y fuera de la muestra y las pruebas de rendimiento avanzadas aumentan la probabilidad de que un sistema tenga un buen desempeño en el comercio real. (Para una visión general completa sobre el análisis técnico, véase el Análisis Técnico: Introducción.) La parte del beneficio de una empresa asignada a cada acción en circulación de acciones ordinarias. El beneficio por acción sirve como indicador. Desde la elección de Donald Trump, las expectativas de inflación se dispararon, ya que muchos creen que sus políticas llevarán a aumentos de precios. La generación de individuos de mediana edad que son presionados para apoyar tanto a los padres envejecidos como a los niños en crecimiento. El sandwich. Las operaciones de petróleo y gas que tienen lugar después de la fase de producción, hasta el punto de venta. Operaciones aguas abajo. El nombre dado al jueves, 24 de octubre de 1929, cuando el promedio industrial Dow Jones cayó 11 en el abierto en un volumen muy pesado. El proceso de determinar el valor actual de un activo o empresa. Hay muchas técnicas que se pueden utilizar para determinar las correlaciones de divisas en Forex: muchos de los pares de divisas principales se correlacionan en su movimiento de precios, lo que significa que tienden a moverse en el mismo dirección. Cuando se utiliza el comando de correlación en Stata, la supresión de los datos perdidos en la lista es 8230 Cuando se hace la eliminación por parejas, como lo hacemos en este ejemplo, un par de datos 8230 es una matriz de correlación calculada usando pairwise 8230 Después de haber limitado el alcance de la eliminación por pares vs. CORRELACIÓN ENTRE PAÍSES. Ver 8230 Los usuarios sin una suscripción no pueden ver el contenido completo de esta página. Datos faltantes: Listwise vs. Pairwise. Publicado el 8 de agosto de 2013. 8230 Una manera fácil de pensar en cómo funciona la eliminación por pares es pensar en una matriz de correlación. 16 de junio de 2015 8230 por BW Lewis Esta nota advierte sobre los resultados potencialmente engañosos cuando se utiliza el usepairwiseplete. obs y las opciones relacionadas en R039s cor 8230 Qué es AB y C Loan Entender el reembolso del préstamo Si pierde los pagos del préstamo Rehabilitación después del default Obtenga ayuda con el reembolso Institution Funcionarios. 8230 B. C. Programa de condonación de préstamos: El BID atrae a bancos e inversionistas institucionales como cofinanciadores a través de su programa de préstamos A / B. En el marco de este programa, el BID ofrece la parte A del préstamo a partir de 8230 12 de octubre de 2008 8230 La correlación y la dependencia En las estadísticas, la dependencia es cualquier relación estadística entre dos variables aleatorias o 8230 A aquellos que sólo consideran la segunda 8230 Annotated SPSS Output Correlation. Esta página muestra un ejemplo de correlación con las notas explicativas de la salida. 8230 SPSS realiza una eliminación por pares de los valores faltantes. Estadísticas reales de correlación múltiple con Excel Muestra cómo calcular varias medidas del coeficiente de correlación múltiple. También revisa la herramienta de análisis de datos de correlación de Excel8217s. Utilizar otras técnicas para examinar variables múltiples, tales como correlaciones parciales, inversas y en pares, matrices de covarianza, componentes principales y más. Sus orígenes hasta el presente, y muestra que los 8230 enfoques psicológicos apuntan al quotsoftware, aprendieron comportamientos y hábitos defectuosos, junto con palabras, pensamientos, interpretaciones y comentarios dañinos. Existen diferentes enfoques en la psicología contemporánea. Un enfoque es
No comments:
Post a Comment