White检验
- White 检验
White 检验 (也称为 White 异方差检验) 是一种统计检验方法，用于确定回归模型中的异方差性。 异方差性是指误差项的方差不是恒定的，而是随预测变量的值而变化的。 在二元期权交易中，理解和处理异方差性至关重要，因为它会影响模型的准确性和可靠性，进而影响交易决策。 本文将深入探讨 White 检验的原理、步骤、解释以及其在二元期权分析中的应用。
为什么异方差性很重要？
在回归分析中，一个关键假设是误差项的方差是同方差的，即恒定的。 当这个假设被违反时，就发生了异方差性。 异方差性会带来以下问题：
- 低效的估计：普通最小二乘法 (OLS) 估计量仍然是无偏的，但不再是最有效的线性无偏估计量 (BLUE)。这意味着估计量的方差更大，精度较低。
- 错误的推断：传统的假设检验和置信区间的计算基于误差方差的恒定假设。 异方差性会导致这些推断无效。
- 在二元期权交易中的影响： 在技术分析和量化交易中，如果模型存在异方差性，则预测结果的可靠性降低，可能导致错误的交易信号和损失。 例如，基于历史价格数据建立的移动平均线策略，如果数据存在异方差性，其预测效果可能会受到严重影响。 此外，波动率的估计也会受到异方差性的影响，从而影响期权定价。
White 检验的原理
White 检验是一种基于辅助回归的检验方法。 其核心思想是，如果模型存在异方差性，那么误差项的平方应该可以由预测变量及其平方项和交叉项来解释。
具体来说，White 检验执行以下步骤：
1. 对原始回归模型进行回归，得到残差 (残差 = 观测值 - 预测值)。 2. 将残差平方作为因变量，对原始回归模型中的预测变量、它们的平方项以及所有可能的交叉项进行回归。 3. 计算辅助回归的 R 平方值。 4. 根据 R 平方值计算 White 检验统计量。 5. 将 White 检验统计量与一个特定的卡方分布进行比较，以确定是否存在异方差性。
White 检验的步骤
假设原始回归模型为：
Y = β₀ + β₁X₁ + β₂X₂ + ε
其中：
- Y 是因变量
- X₁ 和 X₂ 是预测变量
- β₀, β₁, 和 β₂ 是回归系数
- ε 是误差项
以下是 White 检验的具体步骤：
1. **估计原始回归模型。** 使用 最小二乘法 估计 β₀, β₁, 和 β₂，并计算残差 ê。
2. **构造辅助回归。** 建立以下辅助回归模型：
ê² = α₀ + α₁X₁ + α₂X₂ + α₃X₁² + α₄X₂² + α₅X₁X₂ + v
其中：
- ê² 是残差的平方
- α₀, α₁, α₂, α₃, α₄, 和 α₅ 是回归系数
- v 是误差项
3. **估计辅助回归模型。** 使用 最小二乘法 估计 α₀, α₁, α₂, α₃, α₄, 和 α₅。
4. **计算 White 检验统计量。** White 检验统计量为：
n * R²
其中：
- n 是样本大小
- R² 是辅助回归的 R 平方值
5. **进行假设检验。**
- 零假设 (H₀)：不存在异方差性。
- 备择假设 (H₁)：存在异方差性。
将 White 检验统计量与具有 k-1 自由度的卡方分布进行比较，其中 k 是辅助回归中预测变量的数量（包括原始变量的平方项和交叉项）。 如果 White 检验统计量大于卡方分布的临界值，则拒绝零假设，并得出结论：存在异方差性。
| 描述 | |
| 估计原始回归模型并计算残差。 | |
| 建立辅助回归模型 (残差平方作为因变量)。 | |
| 估计辅助回归模型。 | |
| 计算 White 检验统计量 (n * R²)。 | |
| 将 White 检验统计量与卡方分布比较，进行假设检验。 | |
如何解释 White 检验结果？
如果 White 检验的 p 值小于显著性水平（通常为 0.05），则拒绝零假设，得出结论：存在异方差性。 这意味着误差项的方差不是恒定的，而是随预测变量的值而变化的。
如果 p 值大于显著性水平，则无法拒绝零假设，这意味着没有足够的证据表明存在异方差性。
- 示例：**
假设我们对一个包含 100 个观测值的回归模型进行了 White 检验，得到 R² = 0.25。 则 White 检验统计量为：
n * R² = 100 * 0.25 = 25
辅助回归中预测变量的数量为 5 (X₁, X₂, X₁², X₂², X₁X₂)。 因此，自由度为 k-1 = 5-1 = 4。
查阅卡方分布表，在自由度为 4 的情况下，显著性水平为 0.05 的临界值为 9.488。
由于 White 检验统计量 (25) 大于临界值 (9.488)，因此我们拒绝零假设，并得出结论：存在异方差性。
处理异方差性
如果 White 检验表明存在异方差性，则需要采取措施来处理它。 一些常用的方法包括：
- **加权最小二乘法 (WLS)**：WLS 是一种通过对观测值赋予不同的权重来解决异方差性的方法。 权重与误差项方差的倒数成比例。
- **误差项的变换**：对因变量或误差项进行变换，例如取对数或平方根，可以帮助稳定方差。例如，使用 对数收益率 可以减少波动率的影响。
- **使用稳健标准误差**：即使存在异方差性，稳健标准误差也能提供更准确的推断。
- **广义最小二乘法 (GLS)**：GLS 是一种更通用的方法，可以处理异方差性和自相关性。
在二元期权定价中，异方差性通常通过使用更复杂的波动率模型（例如GARCH模型）来处理，这些模型能够捕捉波动率随时间变化的特征。
White 检验在二元期权交易中的应用
在二元期权交易中，White 检验可以用于以下方面：
- **模型验证**：验证用于预测二元期权价格的模型是否满足同方差性假设。
- **风险管理**：评估异方差性对风险评估的影响，并采取相应的风险管理措施。例如，使用价值风险 (VaR) 模型进行风险评估时，需要考虑异方差性的影响。
- **交易策略优化**：优化交易策略，以适应异方差性的存在。例如，可以调整止损单和止盈单的位置，以应对波动率的变化。
- **数据分析**：分析历史价格数据，识别是否存在异方差性，并了解其原因。 例如，成交量加权平均价格 (VWAP) 策略可能受到异方差性的影响，需要进行调整。
- **波动率预测**：提高波动率预测的准确性，从而提高期权定价的准确性。 使用 布尔斯基模型 和 赫斯顿模型 等波动率模型时，需要考虑异方差性的影响。
- **识别市场异常**： 异方差性可能暗示市场存在异常情况，例如信息不对称或市场操纵。
局限性
White检验虽然强大，但也存在一些局限性：
- 对样本量敏感： 小样本量可能导致检验结果不可靠。
- 对多重共线性敏感： 如果预测变量之间存在高度共线性，则检验结果可能不准确。
- 不能识别异方差性的具体形式： White 检验只能判断是否存在异方差性，而不能识别其具体形式。
总结
White 检验是一种重要的统计工具，用于检测回归模型中的异方差性。 在二元期权交易中，理解和处理异方差性对于建立准确的模型、进行有效的风险管理和优化交易策略至关重要。 通过使用 White 检验和其他相关技术，交易者可以提高其交易决策的可靠性，并获得更好的投资回报。 此外， 了解 基本面分析、 技术指标 和 市场情绪 有助于更全面地评估交易机会。
立即开始交易
注册 IQ Option （最低存款 $10） 开设 Pocket Option 账户 （最低存款 $5）
加入我们的社区
订阅我们的 Telegram 频道 @strategybin 获取： ✓ 每日交易信号 ✓ 独家策略分析 ✓ 市场趋势警报 ✓ 新手教育资源
