股票线性回归试什么影响

『壹』 线性回归的优缺点

了解决多元线性回归中自变量之间的多重共线性问题，常用的有三种方法: 岭回归、主成分回归和偏最小二乘回归。本文以考察职工平均货币工资为例，利用三种方法的sas程序进行了回归分析，根据分析结果总结出三种方法的优缺点，结果表明如果能够使用定性分析和定量分析结合的方法确定一个合适的k值，则岭回归可以很好地消除共线性影响；主成分回归和偏最小二乘回归采用成份提取的方法进行回归建模，由于偏最小二乘回归考虑到与因变量的关系，因而比主成分回归更具优越性。

『贰』 请问什么是线性回归线

线性回归是用来从过去价值中预测未来价值的统计工具。就股票价格而言，它通常用来决定何时价格过份上涨或下跌（行情极端）
线性回归趋势线使用最小平方法做出的一条尽量贴近价格线的直线，使价格线与预测的趋势线差异小。
线性回归线方式：Y=a+bx
其中：a=(∑y-b∑x)/n
b=n∑(xy)-(∑x)(∑y)/n∑x?2-(∑x)?2
x是目前时间段
y是时间段总数原理：如果不得不去猜测某一股票明天的价格，较合逻辑的猜测就应该是“尽量贴近今天价格”如果股票有上涨的趋势，一个好的猜测就是尽量贴近今天的价格加上一个上调值。线性回归分析正是用统计数字来验证了这些逻辑假设。
线性回归线是用最小平方匹配法求出的两点间的趋势线。这条趋势线表示的是中间价。如果把此线认作是平衡价的话，任何偏移此线的情况都暗示着超买或超卖。
在中间线的上方和下方都建立了线性回归渠道线。渠道线和线性回归线的间距是收盘价与线性回归线之间的最大距离。回归线包含了价格移动。渠道下线是支撑位，渠道上线是阻挡位。价格可能会延伸到渠道外一段很短的时间，但如果价格持续在渠道外很长一段时间的话，表明趋势很快就会逆转了。
线性回归线是平衡位置，线性回归渠道线表示价格可能会偏离线性回归线的范围。

『叁』 股票中什么是回归线

线性回归的原理
线性回归是统计学原理在技术分析上的运用，简单地说，它表现的是离价格区间最近的一条直线。如果后面的行情是“新的”，它对于线性回归带的支撑与阻力应较敏感。如果后面的行情与前段没什么区别，它对于线性回归带的支撑与阻力就不敏感。
如果不得不去猜测某一股票明犬的价格，较合逻辑的猜测就应该是“尽量贴近今天的价格”。如果股票有上涨的趋势，一个好的猜测就是尽量贴近今天的价格加上一个上调值。线性回归分析正是用统计数字来验证了这些逻辑假设。
线性回归线是用最小平方匹配法求出的两点间的趋势线。这条趋势线表示的是中间价。如果把此线认做是平衡价的话，任何偏移此线的情况都暗示着超买或超卖。
在中间线的上方和下方都建立了线性回归通道线。通道线和线性回归线的间距是收盘价与线性回归线之间的最大距离。回归线包含了价格移动。通道下线是支撑位，通道匕线是阻挡位。价格可能会延伸到通道外一段很短的时间，但如果价格持续在渠道外很长一段时问的话，表明趋势很快就会逆转了。

『肆』 股票中画线工具的线性回归带怎么用

线性回归分析是一种可以减少市场价格走势“杂音”的方法之一。最简单的解释就是在价格线图上画一条直线，使得这条直线于每个价格距离的平方的加总是最小的。这种分析方式比均线灵敏，也可能会有更多的交易机会。而在回归线的基础上，这篇文章要探讨2个新的参数：回归线斜率以及R平方。利用这两个参数的结合，我们来试着抓出价格的趋势。
线性回归画法：
将鼠标从一个相对低点拖曳到一个相对高点即得到百分比线。
用法：
线性回归、线形回归带及线形回归通道：线性回归、线性回归带及线性回归通道是根据数学上线性回归的原理来确定一定时间内的价格走势。线性回归将一定时间内的股价走势线性回归，然后来确定这一段时间内的总体走势；线性回归带是根据这一段时间内的最高、最低价画出线性回归的平行通道线；回归通道是线性

『伍』 线性回归分析和指数回归分析有什么区别，如何使用

线性回归分析和指数回归分析其实理论基础是一样的，基本没有区别。回归模型一个是直线，一个是指数曲线，简单地说数据点画出来象直线就用线性回归。

相关系数与回归系数的方向，即符号相同。回归系数与相关系数的正负号都有两变量离均差积之和的符号业决定，所以同一资料的b与其r的符号相同。回归系数有单位，形式为（应变量单位/自变量单位）相关系数没有单位。相关系数的范围在-1～+1之间，而回归系数没有这种限制。

基本含义

在统计学中，线性回归（Linear Regression）是利用称为线性回归方程的最小平方函数对一个或多个自变量和因变量之间关系进行建模的一种回归分析。这种函数是一个或多个称为回归系数的模型参数的线性组合。只有一个自变量的情况称为简单回归，大于一个自变量情况的叫做多元回归。（这反过来又应当由多个相关的因变量预测的多元线性回归区别，而不是一个单一的标量变量）。

『陆』 线性回归分析的原理

最初学习线性回归的时，其实是在数学课上，在接触股票之后，发现其实线性回归同样是可以运用在股票走势分析过程中，当然它的原理是依据统计原理所设计的。那究竟线性回归的基本原理是怎么样的?下面就是赢家学院的主编人员进行的解读。
线性回归是统计学原理所设计的，我们就简单来对于它的定义进行相关的极少。它其实指的就是：离价格最近的一条直线。如果后面的行情是“新的”，那么它对于线性回归带的支撑与阻力就会比较名敏感，如果寿面的行情与前一段没什么区别，那么它对于线性回归带的支撑与阻力就不敏感。
线性回归线是用最小的平方匹配法求出的两点线的趋势线，这条趋势线表示的中间价，如果把此线认作是平衡价的话，任何偏移此线的情况都暗示着超买或超卖。
赢家江恩软件中的线性回归工具，是由三条线所组成的，即在中间线的上方和下方都建立了线性回归通道线，通道线和线性回归的间距是收盘价与线性回归线之间的最大距离。回归线包含了价格的移动，通道下轨线是支撑位，通道下轨线是阻挡位，价格可能会延伸到通道外一段很短的时间，但如果价格持续在渠道外很长一段时间的话，表明趋势很快就会逆转了。下面我们就来看中国海防的日K线走势图。

『柒』 使用线性回归优缺点

§3.2 回归分析方法
回归分析方法，是研究要素之间具体的数量关系的一种强有力的工具，能够建立反映地理要素之间具体的数量关系的数学模型，即回归模型。
1. 一元线性回归模型
1) 一元线性回归模型的基本结构形式
假设有两个地理要素（变量）x和y，x为自变量，y为因变量。则一元线性回归模型的基本结构形式：

a和b为待定参数；α=1,2,…,n为各组观测数据的下标； εa为随机变量。如果记a^和b^ 分别为参数a与b的拟合值，则得到一元线性回归模型

�0�7 是y 的估计值，亦称回归值。回归直线——代表x与y之间相关关系的拟合直线

2) 参数a、b的最小二�0�7乘估计
参数a与b的拟合值：

,

建立一元线性回归模型的过程，就是用变量 和 的实际观测数据确定参数a和b的最小二乘估计值α^和β^ 的过程。
3) 一元线性回归模型的显著性检验
线性回归方程的显著性检验是借助于F检验来完成的。
检验统计量F：

误差平方和：

回归平方和：

F≈F（1，n-2）。在显著水平a下，若 ，则认为回归方程效果在此水平下显著；当 时，则认为方程效果不明显。

[举例说明]
例1：在表3.1.1中，将国内生产总值（x1）看作因变量y，将农业总产值（x2）看作自变量x，试建立它们之间的一元线性回归模型并对其进行显著性检验。
解：
(1) 回归模型
将y和x的样本数据代入参数a与b的拟合公式，计算得：

故，国内生产总值与农业总产值之间的回归方程为

(2) 显著性检验

在置信水平α=0.01下查F分布表得：F0.01(1,46)=7.22。由于F=4951.098 >> F0.01(1,46)=7.22，所以回归方程（3.2.7）式在置信水平a=0.01下是显著的。

2. 多元线性回归模型
在多要素的地理系统中，多个（多于两个）要素之间也存在着相关影响、相互关联的情况。因此，多元地理回归模型更带有普遍性的意义。
1) 多元线性回归模型的建立
(1) 多元线性回归模型的结构形式
假设某一因变量y受k 个自变量 的影响，其n组观测值为 。则多元线性回归模型的结构形式：

为待定参数， 为随机变量。如果 分别为 的拟合值，则回归方程为

b0为常数， 称为偏回归系数。
偏回归系数 ——当其它自变量都固定时，自变量 每变化一个单位而使因变量xi平均改变的数值。

(2) 求解偏回归系数

,

2) 多元线性回归模型的显著性检验
用F检验法。
F统计量：

当统计量F计算出来之后，就可以查F分布表对模型进行显著性检验。
[举例说明]
例2：某地区各城市的公共交通营运总额（y）与城市人口总数（x1 ）以及工农业总产值（x2）的年平均统计数据如表3.2.1（点击展开显示该表）所示。试建立y与x1及x2之间的线性回归模型并对其进行显著性检验。

表3.2.1 某地区城市公共交通营运额、人口数及工农业总产值的年平均数据

城市序号

公共交通营运额y/103人公里 人口数x1/103人 工农业总产值x2
/107元
1 6825.99 1298.00 437.26
2 512.00 119.80 1286.48
．．． ．．． ．．． ．．．
14 192.00 12.47 1072.27
注：本表数据详见书本P54。
解：
(1) 计算线性回归模型
由表3.2.1中的数据，有

计算可得：

故y与x1 及y2之间的线性回归方程

(2) 显著性检验

故：

在置信水平a=0.01下查F分布表知：F0.01(2,11)=7.21。由于F=38.722> F0.01(2,11)=7.21，所以在置信水平a=0.01下，回归方程式是显著的。

3. 非线性回归模型的建立方法
1) 非线性关系的线性化
(1) 非线性关系模型的线性化
对于要素之间的非线性关系通过变量替换就可以将原来的非线性关系转化为新变量下的线性关系。
[几种非线性关系模型的线性化]

① 于指数曲线 ，令 ， ，将其转化为直线形式：
，其中， ；
② 对于对数曲线 ，令 ， ，将其转化为直线形式：
；
③ 对于幂函数曲线 ，令 ， ，将其转化为直线形式：
，其中，
④ 对于双曲线 ，令 ，将其转化为直线形式：
；
⑤ 对于S型曲线 ，将其转化为直线形式：

；
⑥ 对于幂函数乘积：

令 将其转化为直线形式：

其中， ；
⑦ 对于对数函数和：

令 ，将其化为线性形式：

(2) 建立非线性回归模型的一般方法
① 通过适当的变量替换将非线性关系线性化；
② 用线性回归分析方法建立新变量下的线性回归模型：
③ 通过新变量之间的线性相关关系反映原来变量之间的非线性相关关系。
3) 非线性回归模型建立的实例

非线性回归模型建立的实例

景观是地理学的重要研究内容之一。有关研究表明（Li，2000；徐建华等，2001），任何一种景观类型的斑块，其面积（Area）与周长（Perimeter）之间的数量关系可以用双对数曲线来描述，即

例3：表3.2.2给出了某地区林地景观斑块面积（Area）与周长（Perimeter）的数据。试建立林地景观斑块面积A与周长P之间的双对数相关关系模型。

表3.2.2某地区各个林地景观斑块面积（m2）与周长（m）

序号 面积A 周长P 序号 面积A 周长P
1 10447.370 625.392 42 232844.300 4282.043
2 15974.730 612.286 43 4054.660 289.307
．．． ．．． ．．． ．．． ．．． ．．．
41 1608.625 225.842 82 564370.800 12212.410

注：本表数据详见书本57和58页。

解：因为林地景观斑块面积（A）与周长（P）之间的数量关系是双对数曲线形式，即

『捌』 什么是线性回归带

线性回归是一个极具特色的线型分析工具，有较强的实战价值。它是通过最小两乘法计算画出一条价格趋势线，使价格与趋势线距离总体最近，对股价的振荡范围和幅度走向加以预测，从而判别未来走势的效果。

『玖』 数据回归分析的目的和意义是什么

数据回归分析的目的和意义是将一系列影响因素和结果进行一个拟合，拟合出一个方程，然后通过将这个方程应用到其他同类事件中，可以进行预测。

在统计学中，回归分析指的是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。回归分析按照涉及的变量的多少，分为一元回归和多元回归分析；按照因变量的多少，可分为简单回归分析和多重回归分析；按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析。

大数据要分析的数据类型主要有四大类：

1、交易数据(TRANSACTION DATA)

大数据平台能够获取时间跨度更大、更海量的结构化交易数据，这样就可以对更广泛的交易数据类型进行分析，不仅仅包括POS或电子商务购物数据，还包括行为交易数据，例如Web服务器记录的互联网点击流数据日志。

2、人为数据(HUMAN-GENERATED DATA)

非结构数据广泛存在于电子邮件、文档、图片、音频、视频，以及通过博客、维基，尤其是社交媒体产生的数据流。这些数据为使用文本分析功能进行分析提供了丰富的数据源泉。

3、移动数据(MOBILE DATA)

能够上网的智能手机和平板越来越普遍。这些移动设备上的App都能够追踪和沟通无数事件，从App内的交易数据(如搜索产品的记录事件)到个人信息资料或状态报告事件(如地点变更即报告一个新的地理编码)。

4、机器和传感器数据(MACHINE AND SENSOR DATA)

这包括功能设备创建或生成的数据，例如智能电表、智能温度控制器、工厂机器和连接互联网的家用电器。这些设备可以配置为与互联网络中的其他节点通信，还可以自动向中央服务器传输数据，这样就可以对数据进行分析。