회귀분석이란(주식과 환율 상관관계 Python 코드포함)?

회귀 분석개념

위키백과, 우리 모두의 백과사전.

기계 학습과데이터 마이닝

 

독립변수 1개와 종속변수 1개를 가진 선형회귀의 예

통계학에서, 회귀 분석(回歸分析, 영어: regression analysis)은 관찰된 연속형 변수들에 대해 두 변수 사이의 모형을 구한뒤 적합도를 측정해 내는 분석 방법이다.

회귀분석은 시간에 따라 변화하는 데이터나 어떤 영향, 가설적 실험, 인과 관계의 모델링등의 통계적 예측에 이용될 수 있다. 그러나 많은 경우 가정이 맞는지 아닌지 적절하게 밝혀지지 않은 채로 이용되어 그 결과가 오용되는 경우도 있다. 특히 통계 소프트웨어의 발달로 분석이 용이해져서 결과를 쉽게 얻을 수 있지만 분석 방법의 선택이 적절했는지 또한 정보 분석이 정확한지 판단하는 것은 연구자에 달려 있다.

 

•  

전개[편집]

하나의 종속변수와 하나의 독립변수 사이의 관계를 분석할 경우를 단순회귀분석(영어: simple regression analysis), 하나의 종속변수와 여러 독립변수 사이의 관계를 규명하고자 할 경우를 다중회귀분석(영어: multiple regression analysis)이라고 한다.

회귀 모형 적합도[편집]

회귀모형의 적합도는 잔차 검정을 통해 확인한다. 잔차 검정은 정규성과 등분산성 가정을 만족하는지에 대한 검토 과정이다. 잔차의 정규성은 Shaprio-Wilk 검정 또는 Kolmogolov-Smirnov 검정을 통해서 실시하며, 회귀분석에서도 등분산성 방법으로는 Breusch-Pagan test, Goldfeld-Quandt test, Cook-Weisberg test 그리고 White test가 있다.

역사[편집]

회귀(영어: regress 리그레스[*])의 원래 의미는 옛날 상태로 돌아가는 것을 의미한다. 영국의 유전학자 프랜시스 골턴은 부모의 키와 아이들의 키 사이의 연관 관계를 연구하면서 부모와 자녀의 키사이에는 선형적인 관계가 있고 키가 커지거나 작아지는 것보다는 전체 키 평균으로 돌아가려는 경향이 있다는 가설을 세웠으며 이를 분석하는 방법을 "회귀분석"이라고 하였다. 이러한 경험적 연구 이후, 칼 피어슨은 아버지와 아들의 키를 조사한 결과를 바탕으로 함수 관계를 도출하여 회귀분석 이론을 수학적으로 정립하였다.

회귀분석과 분산분석[편집]

어떤 변수가 다른 변수에 의하여 설명된다고 보고 그 함수 관계를 조사하는 통계적인 해석 기법인 회귀분석(regression analysis)은 실험 집단 간에 어떠한 차이가 존재하는지 밝히는 데 적용하는 검정 기법인 분산 분석(analysis of variance, ANOVA)과 함께 매우 실용적인 연구방법론의 주요한 도구이다.

같이 보기[편집]

위키미디어 공용에 관련된 미디어 분류가 있습니다. 회귀 분석

• 선형 회귀(linear regression)
• 상관 분석(correlation analysis)
• T 테스트
• F값

상기 개념을 반영하여 파이썬을 "주식과 환율간 상관성 분석"을 코드화하면 다음과 같다. 

 

파이썬 회귀분석 코드

 

import pandas as pd

import matplotlib.pyplot as plt

import FinanceDataReader as fdr

TICKERS = ['USD/KRW', "KS11"]

if __name__ == "__main__":

    # 1. 날짜별 index 생성

    s = "1995-01-01"

    e = "2022-05-13"

    # dates = pd.date_range(s, e)           # : 일단위 상관계수 계산

    dates = pd.date_range(s, e, freq='BM')  # : 월종가단위 상관계수 계산

    # 2. DataFrame 만들기

    df = pd.DataFrame(index=dates)

    # 3. Ticker 별로 수정종가 데이터를 추가

    for ticker in TICKERS:

        # df_tmp = data.get_data_yahoo(ticker, s)

        df_tmp = fdr.DataReader(ticker)

        # df_tmp = fdr2backtrader(df_tmp)

        df_tmp = df_tmp[["Close"]]

        df_tmp = df_tmp.rename(columns={"Close": ticker})

        df = df.join(df_tmp)

        df = df.dropna()

    # 4. 가격데이터 정규화 : 시작 가격으로 나누어서 시작을 1.0으로 맞추는 과정

    df = df / df.iloc[0]

    # 5. 월별 변화량 구하기

    daily_returns = df.copy()

    daily_returns[1:] = (df[1:] / df[:-1].values) - 1

    daily_returns.iloc[0] = 0

    # 6. 상관계수 출력

    print(daily_returns.corr(method="pearson"))

    # 7. 시각화

    df.plot()

    plt.show()

 

위 코드는 수업시에 같이 공부해요^^