量化金融原理与实践第8章 线性模型.pptx

第8章线性模型章节概述线性回归模型应用范围广泛，包括预测分析、趋势估计、关系建模等。虽然在精确度上可能不及神经网络和决策树模型，但其核心优势在于能够揭示数据的主要趋势和关系，提供简洁直观的方法来理解数据潜在的主要规律。本章学习目标掌握OLS线性回归、逻辑回归和岭回归的原理学会使用财务指标建立上市公司风险识别模型理解如何通过财务知识优化特征属性提升模型识别精度的方法

本章主要内容结构本章将系统介绍线性模型的理论基础与实践应用，涵盖OLS线性回归、逻辑回归和岭回归三种重要模型，并通过上市公司财务数据构建风险识别系统。图8.1本章主要内容结构

8.1模型原理本节将介绍三种重要的线性模型及其数学原理和函数实现。8.1.1OLS线性回归1.OLS线性回归数学原理（第一部分）基本概念OLS线性回归模型全称是最小二乘法线性回归模型，是一种统计学上用来分析两个或多个变量之间关系的方法。核心思想样本点在空间形成某种分布，通过寻找一条直线来代表这些散点的分布趋势。选择使得各散点到直线的距离平方和Q最小的那条直线，该直线对应的方程就是所需要拟合的OLS线性回归模型。

1.OLS线性回归数学原理(第二部分)误差项的理解在OLS线性回归模型中，假设每个观测值的偏差（实际值与预测值之间的差异）是随机的，且这些偏差之间相互独立。误差项代表了除模型中包含的解释变量之外的其他因素对因变量的影响。模型特点