¿Cómo se usa el análisis de regresión en las finanzas matemáticas?

El análisis de regresión se usa generalmente para analizar relaciones estadísticas entre conjuntos de variables. Hay una serie de modelos de regresión utilizados, sin embargo, el más comúnmente enseñado en el mundo financiero sería la regresión lineal simple que se utiliza en el cálculo de cosas como la beta de una empresa, el Modelo de fijación de precios de activos de capital (CAPM), predicción de series de tiempo, aprendizaje automático, y se puede encontrar en el cálculo de la medida de dispersión residual en estrategias de arbitraje estadístico (comercio de pares)

El resultado de una prueba de regresión es una ecuación que se parece a [math] y = mx + c [/ math], donde
[matemática] y [/ matemática] = variable dependiente
[matemáticas] m [/ matemáticas] = pendiente de la línea de regresión
[matemáticas] x [/ matemáticas] = variable independiente
[matemática] c [/ matemática] = intercepción de la línea de regresión en el eje y

Esta prueba también generará un coeficiente de correlación conocido como [matemática] R ^ 2 [/ matemática] que muestra la bondad de ajuste de la serie temporal, lo que nos da el nivel de variación

El análisis de regresión es una forma predictiva de modelar la relación entre una (s) variable (s) dependiente (s), objetivo (s) e independiente (s), el (los) predictor (es), utilizado para predicciones y pronósticos. Como puede ver, su uso se puede aplicar a una amplia gama de temas.

Específicamente para las finanzas matemáticas, supongo que está preguntando sobre los cursos académicos (si no, hágamelo saber y actualizaré esta respuesta). Fuera de mi cabeza, recuerdo mis clases de matemática financiera de pregrado usando análisis de regresión en los siguientes temas:

  • Modelo de fijación de precios de activos de capital (CAPM)
  • Series de tiempo
  • Arbitraje estadístico (estrategias comerciales de compra / venta)
  • Gestión de cartera y estrategias de cobertura
  • Mejoramiento
  • Procesos estocásticos
  • Interpolación / Extrapolación

Se usa todo el tiempo para ver la correlación. Digamos que tenemos una cartera con una amplia variedad de activos. Es posible que queramos construir una matriz de covarianza para asegurarnos de que no haya autocorrelación en nuestros activos.

La matriz de covarianza analiza la distribución de los rendimientos y encuentra la correlación para cada combinación de dos activos. Si hay una estrategia con una asignación de factor beta del 10% para la tecnología, pero descubren a través de su regresión que la energía (por cualquier razón) se correlaciona con el 95% con la tecnología, el administrador de la cartera puede reequilibrar su exposición de tecnología / energía para que puedan lograr el asignación deseada