FunctionLinearRegression

线性回归是量化交易中最基础也最强大的统计工具之一。它通过一条直线描述价格与时间的关系，帮助交易者识别趋势、衡量偏离程度并构建动态通道。本文将以一个名为 FunctionLinearRegression 的公开脚本为切入点，深入解析其设计逻辑、交易应用场景，并在此基础上探讨如何进一步完善和扩展。

策略解读

上述英文描述来自一位交易社区作者的分享。它没有给出完整的实现代码，但清晰描述了核心函数的功能：传入 X、Y 两组样本数组，返回预测值、最大偏差、最小偏差和平均偏差。这样一种设计非常契合量化交易中“数据驱动”的思想——我们只需要把时间序列和价格序列准备好，交给回归函数，就能得到一组拟合曲线和统计边界。

为什么线性回归在交易中如此重要？因为金融市场中的价格趋势，在短中期往往表现出近似线性的特征。比如一笔上升趋势的行情，如果时间窗口取得合理，价格点大致围绕一条斜向上的直线波动。线性回归的本质就是在这些价格点中找到一条“最合适”的直线，使每个点到直线的垂直距离平方和最小。这条直线不仅揭示了趋势的方向和斜率，还能通过拟合值构造出动态的支撑位和阻力位。而 _max_dev、_min_dev、_stdev 这些输出，则进一步描述了价格围绕这条直线的波动情况，让交易者可以量化趋势中的“正常波动范围”和“极端偏离程度”。

从应用上看，这个函数库的价值在于把统计计算封装成黑盒。使用者不需要每天手动计算最小二乘法，只需维护好样本数组，就能在任何时点快速获取回归结果。更重要的是，它输出的偏差量可以用于构建线性回归通道，通道的宽度随价格波动自动变化，从而形成一套动态的买卖边界。

名词解释

为了帮助读者理解，下面解释本文涉及的几个核心术语。

• 线性回归：一种统计建模方法，它试图用一条直线来描述因变量 Y 与自变量 X 之间的线性关系。在金融中通常用价格对时间做回归，得到趋势直线。
• 最小二乘法：线性回归中求取最佳拟合直线的经典算法。它要求所有样本点到回归直线的垂直距离平方和最小，由此解出直线的斜率和截距。
• 样本点：由一对 (X, Y) 构成的数据单位。例如在第 1 分钟的价格、第 2 分钟的价格，其中分钟序号是 X，价格是 Y。
• 数组：一种按顺序存放多个相同类型数据的容器。在这个函数库中，sample_x 和 sample_y 分别存放所有 X 和 Y 的数值，数组长度代表样本数量。
• 拟合值（预测值）：将自变量 X 代入回归方程后计算得到的 Y 的估计值。它代表了回归线在该 X 位置上的“预测”高度，也常用于构造趋势线。
• 偏差：实际观测值与某个参考值（如均值或回归预测值）之间的差异。本函数中的 _max_dev 和 _min_dev 指样本点相对均值的最大和最小偏离。
• 标准差：衡量一组数据相对于均值分散程度的统计量。回归残差的标准差越小，说明该直线对数据的解释力越强。
• 元组：编程中一种可以同时包含多个元素的数据结构。这里表示 linreg 函数一次性返回多个结果，调用者可以分别取出预测数组、最大偏差等。

策略思路讲解

基于这个线性回归函数库，可以构建多种实用的交易策略。以下从趋势识别、通道交易、斜率动量和回归残差四个维度展开。

趋势识别：最朴素的做法是把时间序号作为 X，把收盘价作为 Y，计算线性回归。回归线的斜率就是单位时间内的平均价格变化。如果斜率为正且绝对值较大，说明市场处于上升趋势；斜率为负则对应下跌趋势。相比简单移动平均线，线性回归线对价格的响应更加及时，因为它考虑了价格变化的整体线性趋势，而不是纯粹求平均。

回归通道交易：利用返回的 _max_dev 和 _min_dev，可以构造一条“回归通道”。上轨等于回归拟合值加上最大正向偏差，下轨等于回归拟合值加上最小负向偏差（即减去一个绝对值）。在趋势市中，价格通常沿着回归通道运行：当价格触及上轨时，可能短期超买；触及下轨时，可能短期超卖。但要注意，在强单边趋势中，通道上轨不一定是有效的卖出信号，因为价格可以长期贴住上轨运行。所以更稳妥的做法是结合趋势方向过滤：只在下轨买入、上轨卖出，或者反过来。

斜率动量策略：回归直线的斜率可以进一步计算变化率。如果斜率从正值变大，说明上升趋势在加速；如果斜率由正转负，说明趋势可能发生反转。我们把斜率视为“趋势的加速度”，观察斜率的移动平均与当前值的关系，可以构造类似 MACD 的动量指标，但这里的底层是线性回归，而不是指数均线。

回归残差策略：函数库中的 _stdev/_sizeX 对应残差波动水平。我们可以把当前价格与回归预测值之差除以标准差，得到类似 Z 分数的值。当 Z 分数超过 2 或低于 -2 时，意味着价格严重偏离统计均值，存在回归到趋势线的内在动力。这种策略适合震荡市，但需要引入波动率过滤器，防止在单边行情中过早反向开仓。

多周期共振：用不同长度的时间窗口做多次线性回归，比如短周期 20 根 K 线和长周期 100 根 K 线。当两个周期的回归线斜率同向时，趋势可靠性更高；当背离时，市场可能处于调整阶段。这种做法本质上是把线性回归当成趋势过滤器，提高胜率。

优点

第一，计算效率高。线性回归只需要维护若干累加量（如 X、Y、XY、X²）即可通过公式求出斜率和截距，不需要迭代优化，非常适合实时计算。即使在样本数量很大的情况下，也能在极短时间内完成一次拟合。

第二，对趋势的识别比传统均线更敏锐。移动平均线是滞后指标，而线性回归线通过最小二乘法“回顾”了整个窗口内的数据，能在一定程度上抵消单根 K 线的噪声，并更快反映趋势方向的潜在变化。

第三，输出信息丰富。不同于简单均线只给出一条线，linreg 函数一次性返回预测数组、最大最小偏差和平均偏差，使得开发者能够直接组装通道、波动带、残差信号等各类工具，灵活性很强。

第四，输入设计通用。它接受任意数组作为样本点，因此既可以用于时间序列分析，也可以用于两个不同指标之间的回归（如价格对成交量），甚至能处理非等间隔采样的情况，扩大了应用范围。

第五，易于扩展。由于函数返回的是元组，使用者可以轻松地从中提取所需字段，与其它指标结合，形成多因素交易模型。

缺点

第一，对异常值特别敏感。最小二乘法赋予离群点很大的平方权重，一个极端价格——比如黑天鹅事件中的闪崩或冲高——会严重拉偏回归线，导致预测值和偏差统计失真。

第二，假设关系是线性的。金融市场中的趋势往往由多个周期嵌套组成，大的指数级趋势或抛物线形走势并不能被直线很好描述。如果市场处于加速上涨或下跌阶段，线性回归会持续“滞后”于实际价格。

第三，存在固有滞后。虽然它比均线快一些，但仍然基于一个固定窗口的过去数据。窗口越长，对当前点位的响应越迟钝；窗口越短，噪声越大。没有一种参数能同时兼顾平滑性和及时性。

第四，最大/最小偏差统计稳定性差。_max_dev 和 _min_dev 只是样本窗口内的极值，而不是基于概率分布的稳健分位数。在样本窗口内只要出现一个极值，通道宽度就会被急剧放大，使得通道失去实际指导意义。

第五，参数选择困难。样本窗口长度直接决定策略表现，但不同的行情状态对应最优窗口不同。固定窗口参数很难适应趋势、震荡、高波动、低波动等不同市场环境的切换。

起源年份考证

需要说明的是，这里考证的对象是“线性回归方法”和“线性回归类交易指标”的起源，而非该具体脚本的编写时间——后者无法从公开信息中准确考证。时间线大致如下：

• 1805年，法国数学家勒让德（Adrien-Marie Legendre）正式发表了最小二乘法，用于从观测数据中估计行星轨道。1809年，高斯（Carl Friedrich Gauss）也独立提出了类似方法，并引入了正态分布误差理论。这是线性回归的数学源头。
• 19世纪末到20世纪初，回归分析从统计学走向生物学、经济学，成为实证研究的基本工具。皮尔逊（Karl Pearson）等学者完善了相关与回归理论。
• 20世纪60年代，随着计算机的出现，金融研究者开始尝试用统计方法分析证券价格。早期量化交易系统大量使用线性回归进行套利定价和因子分析。
• 20世纪80年代至90年代，个人电脑普及后，技术分析领域出现了“线性回归线”和“线性回归通道”这类图表指标。它们通常展示一条穿越价格中心的趋势线，以及上下等距的平行轨道。这种做法与本文介绍的“最大/最小偏差通道”一脉相承。
• 21世纪初至今，各种交易平台和编程社区涌现出大量封装好的线性回归函数库。像 FunctionLinearRegression 这样的库多是为方便量化爱好者调用而设计，具体作者的发布年份无法考证，但可以归为“该类方法在现代社区中的开源实现”。

改进建议

虽然该函数库结构清晰，但直接用它做交易策略的胜率很难保证。我们可以在不改变核心回归思想的前提下，从以下方向进行改进。

第一，引入稳健回归。用最小绝对偏差回归（LAD）或 Huber 回归替代普通最小二乘，降低异常值对回归线的干扰。这样即使出现瞬间的极端价格，预测值也不会被过度拉偏。

第二，实现自适应窗口。基于市场波动率（如 ATR）或趋势强度（如 ADX）动态调整回归样本数量。波动大时延长时间窗口以平滑噪声，波动小时缩短窗口以捕捉趋势变化。

第三，加入加权机制。在回归计算时给近期样本更高权重，形成“指数加权线性回归”。这样回归线会更快地跟随当前价格，同时保留足够的平滑性。

第四，补充拟合质量指标。在返回元组中加入 R 方（决定系数）或回归残差的自相关性统计量。当 R 方过小时，说明价格呈非线性或无序运动，此时应该放弃趋势信号。

第五，结合滤波和确认模块。用线性回归的斜率方向作为趋势过滤器，配合价格突破或均线交叉等确认信号，避免在震荡市中开仓。例如只在回归斜率大于某个阈值时做多，并且要求价格回踩回归预测值后企稳再入场。

第六，改进通道边界。用分位数（如 5% 和 95% 分位数）替代最大、最小偏差，或者用标准差倍数（类似布林带）构建通道。这样通道宽度对极端值不敏感，更适合统计套利。

第七，多尺度融合。同时计算短、中、长三组线性回归，将它们的信号加权合并。当三条回归线方向一致时，系统给予高仓位；方向不一致时，降低仓位或空仓。

第八，增加监控和预警。将回归斜率与截距的变化率存储为时间序列，当二者出现异常收敛或发散时，触发预警。这本质上是在监控市场状态的转移。

总结

FunctionLinearRegression 是一个典型的轻量级统计函数库。它用最简短的方式实现了线性回归的核心计算，并输出预测值和偏差指标。在线性回归的世界里，输入和输出的关系一目了然：请给我两组数组，我告诉你趋势的方向、强度以及价格偏离的程度。

从交易应用看，线性回归可以是一条更聪明的趋势线，可以是一个自动缩放的价格通道，也可以是一个统计套利信号发生器。然而，工具本身没有好坏，关键取决于如何使用。我们必须清醒地认识到，线性回归是统计模型，不是水晶球。它在趋势明显的行情中如鱼得水，在震荡行情中则可能连吃败仗。因此，实用主义者通常会把它和动量策略、均值回归以及严格的风险管理结合起来使用。

最后，本函数库没有提供更高级的统计指标，比如置信区间和显著性检验，这为后续改进留下了充分空间。如果你正在寻找一个简单、可扩展的趋势分析底子，那么理解并善用线性回归，将是构建量化体系的一步好棋。