两种机器学习回归算法在金融的应用
由bqf2sjzi创建，最终由small_q 被浏览 20 用户
#逻辑回归
这也称为 logit 回归。逻辑回归是一种基于过去数据预测事件二元结果的分析方法。
当因变量是定性的并且取二进制值时，它被称为二分变量。
如果我们使用线性回归来预测这样的变量，它将产生 0 到 1 范围之外的值。此外，由于二分变量只能取两个值，残差不会围绕预测线呈正态分布。
Logistic 回归是一种非线性模型，它产生一条逻辑曲线，其中值限制为 0 和 1。
将此概率与阈值 0.5 进行比较，以决定将数据最终分类为一个类别。因此，如果一个类的概率大于 0.5，则将其标记为 1，否则标记为 0。
金融中逻辑回归的用例之一是它可以用来预测股票的表现。
#分位数回归
线性回归模型在处理金融时间序列数据时有几个限制，例如在处理偏度和异常值的存在时。
1978 年，Koenker 和 Bassett 提出分位数回归作为一种工具，可以让我们探索整个数据分布。因此，我们可以检查分布不同部分的自变量和因变量之间的关系，例如第 10 个百分位数、中位数、第 99 个百分位数等。
分位数回归估计给定自变量的因变量的条件中位数或条件四分位数。