معامل يتحرك
يعطي الانحدار رقمًا لكل معامل كأن العلاقة لا تتغير أبدًا. لكن بيتا السوق لسهم تتغير: مع نشاطه ورافعته ومزاج السوق. يعيد الانحدار المتحرك ملاءمة النموذج نفسه على نافذة متحركة من آخر w مشاهدة ويعطي سلسلة زمنية من المعاملات. في statsmodels هو RollingOLS(y, X, window=w).fit() وخاصيته params جدول فيه صف لكل تاريخ وعمود لكل معامل وأول w-1 صفًا قيمها NaN لأن النافذة لم تمتلئ بعد. وطول النافذة مفاضلة: القصيرة تتفاعل بسرعة لكنها مشوشة والطويلة ناعمة لكنها بطيئة. ولمتغير مفسِّر واحد وثابت يوجد للميل شكل مغلق لا يحتاج إلى انحدار: التغاير المتحرك بين y وx مقسومًا على التباين المتحرك لـ x بـ .rolling(w).cov(...) و.rolling(w).var().
لدى Apple 319 عائدًا شهريًا بين فبراير 2000 وأغسطس 2026. بيتا السوق على العينة الكاملة 1.31. وتحكي البيتا المتحركة لستين شهرًا قصة أخرى: كانت 2.51 في سبتمبر 2008 وهبطت إلى 0.75 في أبريل 2015 وهي 1.04 في نهاية العينة بانحراف معياري 0.31 في الطريق. لا يصف رقم واحد ذلك. وتتفق الطريقتان، RollingOLS والتغاير المتحرك على التباين المتحرك، حتى 10⁻¹⁴ وهذا فحص جيد على أنك تفهم ما تفعله المكتبة. والمعامل المتحرك تحذير أيضًا: نموذج مخاطر يستعمل بيتا العقد الماضي قد يتحوط من شركة لم تعد موجودة.
- المتحرك يعني إعادة الملاءمة: النموذج نفسه ونافذة متحركة ومجموعة معاملات لكل تاريخ.
- افحص المكتبة بـ pandas العادية: لمتغير واحد الميل هو التغاير المتحرك على التباين المتحرك.
- بيتا واحدة تخفي القصة: مدى البيتا المتحركة يُظهر كم يضلل رقم العينة الكاملة.
المختبر: ما الذي يُقيَّم
- البيتا المتحركة25 نقطة
- البيتا نفسها يدويًا20 نقطة
- الفجوة بين طريقتين10 نقطة
- أدنى بيتا وأعلاها15 نقطة
- دراسة Apple30 نقطة