Линейная регрессия – это мощный статистический метод, используемый в различных областях, включая финансы, анализ данных и алгоритмическую торговлю. В этой статье блога мы погрузимся в мир линейной регрессии, сосредоточив внимание на ее реализации на двух популярных языках программирования: PineScript и JavaScript. Мы рассмотрим различные методы, поделимся примерами кода и поделимся практическими советами.

Метод 1: PineScript
PineScript — это специализированный язык сценариев, используемый для создания пользовательских индикаторов и стратегий на платформе TradingView. Вот пример того, как рассчитать и построить линию линейной регрессии с помощью PineScript:

//@version=4
study("Linear Regression Example", overlay=true)
length = input(10, minval=1, title="Length")
source = close
// Calculate linear regression values
m = linreg(source, length, 0)
b = source - (m * (length - 1))
// Plot linear regression line
plot(b + m * (length - 1), "Linear Regression", color=color.blue, linewidth=2)

Метод 2: JavaScript
JavaScript — это универсальный язык программирования, широко используемый для веб-разработки. Хотя у него нет встроенной функции для линейной регрессии, мы можем использовать такие библиотеки, как simple-statistics, для выполнения вычислений линейной регрессии. Вот пример:

const regression = require('simple-statistics').regression
const x = [1, 2, 3, 4, 5]
const y = [1, 3, 2, 3, 5]
// Perform linear regression
const result = regression.linear(x.map((val, index) => [val, y[index]]))
// Extract slope and intercept
const slope = result.m
const intercept = result.b
console.log(`Slope: ${slope}`)
console.log(`Intercept: ${intercept}`)

Метод 3: регрессия по методу обычных наименьших квадратов (OLS)
OLS-регрессия — это широко используемый метод оценки взаимосвязи между переменными. Он минимизирует сумму квадратов остатков, чтобы найти наиболее подходящую линию. Вот пример того, как выполнить регрессию OLS с использованием библиотеки statsmodelsв Python:

import statsmodels.api as sm
import numpy as np
x = np.array([1, 2, 3, 4, 5])
y = np.array([1, 3, 2, 3, 5])
# Add a constant term to the independent variable
x = sm.add_constant(x)
# Fit the OLS regression model
model = sm.OLS(y, x).fit()
# Extract slope and intercept
slope = model.params[1]
intercept = model.params[0]
print(f"Slope: {slope}")
print(f"Intercept: {intercept}")

Метод 4: Градиентный спуск
Градиентный спуск — это алгоритм оптимизации, который можно использовать для поиска параметров модели линейной регрессии. Он итеративно обновляет параметры, чтобы минимизировать функцию стоимости. Вот упрощенная реализация на Python:

import numpy as np
def gradient_descent(x, y, learning_rate=0.01, epochs=1000):
    n = len(x)
    slope = 0
    intercept = 0

    for _ in range(epochs):
        y_pred = slope * x + intercept
        error = y_pred - y
        slope -= (2/n) * learning_rate * np.dot(x.T, error)
        intercept -= (2/n) * learning_rate * np.sum(error)

    return slope, intercept
x = np.array([1, 2, 3, 4, 5])
y = np.array([1, 3, 2, 3, 5])
slope, intercept = gradient_descent(x, y)
print(f"Slope: {slope}")
print(f"Intercept: {intercept}")

Линейная регрессия — ценный инструмент для анализа и моделирования взаимосвязей между переменными. В этой статье мы рассмотрели различные методы реализации линейной регрессии в PineScript и JavaScript. Мы рассмотрели встроенную функцию linregPineScript, используя такие библиотеки, как simple-statisticsв JavaScript, выполняя регрессию OLS с использованием statsmodelsв Python и реализуя градиентный спуск. Используя эти методы, вы сможете раскрыть потенциал линейной регрессии для анализа данных, алгоритмической торговли и многого другого.