线性回归

回归分析 可以视为调查某些变量（依赖和独立）之间的关系的统计方法。 在这种情况下，独立变量称为“回归”，依赖变量是“标准”变量。 当进行线性回归分析时，因变量的表示以间隔标度的形式进行。 在与间隔尺度相关的变量之间存在非线性关系的可能性，但是这个问题已经通过非线性回归方法来解决，这不是本文的主题。

在数学计算和基于统计数据的经济研究中，线性回归相当成功。

所以，让我们更详细地考虑这个回归。 从确定某些变量之间的线性关系的数学方法的角度来看，线性回归可以用以下公式的形式表示：y = a + bx。 任何关于计量经济学的教科书都可以找到这个公式的解码。

随着观察次数的增加（最多n次），得到一个简单的线性回归，由下式表示：

Yi = A + bxi + ei，

其中ei是独立随机分布的随机变量。

在这篇文章中，我想从以前的数据的基础上预测未来价格的角度来更多地关注这个概念。 在这个微积分领域，线性回归主要采用 最小二乘法， 有助于通过一系列价格值构建“最合适”的直线。 作为输入数据，使用指示最大值，最小值，关闭或开放的价格点以及来自这些值的平均值（例如，最大值和最小值之和分为两部分）。 此外，在构建合适的线之前，可以任意平滑这些数据。

如上所述，通常在分析中使用线性回归来确定基于价格和时间数据的趋势。 在这种情况下，回归斜率指标将允许确定单位时间内价格变化的幅度。 使用此指标时作出正确决策的条件之一是采用发生器形式的信号，遵循回归斜率的趋势。 如果斜率为正（增加线性回归），则如果指标的值大于零，则执行购买。 在负倾斜（减少回归）期间，销售应以负指标值（小于零）进行。

用于确定最佳线，对应一定数量的价格点，最小二乘法采用以下算法：

- 是价差和回归线的平方的总表达式;

- 是回归数据序列范围内的接收总和与条数之比;

- 根据获得的结果，计算 平方根， 这对应于标准偏差。

成对线性回归方程具有以下模型：

Y（x）= f ^（x），

其中y是由因变量表示的合成属性;

X是一个解释性或独立变量;

^表示变量x和y之间没有严格的 函数关系 。 因此，在每个特定情况下，变量y可以由这样的项组成：

Y = yx +ε，

其中y是实际结果数据;

Yx - 结果的理论数据，通过求解 回归方程 确定;

Ε是表征实际值与理论值之间偏差的随机变量。