Simpel förklaring om regression och OLS

Jag håller på skriva min c-uppsats för tillfället och den handlar om att göra en komparativ studie där jag jämför avkastningen på svenska hedgefonder till ett svenskt index. För att utföra denna studie måste jag göra en regressionsanalys och det är just detta jag har en liten fråga om.

Jag har min regression färdig (Ri,t = α + β, RM,t + εt) men det jag undrar är vad den egentligen räknar ut? Jag vet att en regression är en formel som jämför två olika variabler med varandra där ena variabeln är oberoende och den andra beroende. Däremot vet jag inte om regressionen bara räknar fram ett "estimate" för alpha och beta som man sedan lägger in i en annan formel som t.ex. CAPM eller formeln för alpha? Och varför är OLS med sina antaganden viktig i sammanhanget?

Jag ska börja räkna på min empiri nu och jag har all data samlat. Jag tänkte köra regressionen direkt på excel med de existerande verktygen men som sagt, frågan är vad regressionen exakt räknar ut och vad siffrorna betyder och vad jag behöver göra därefter.

Mina hypoteser är:

H0: alpha = 0
H1: alpha ≠ 0

Vi söker alltså alphat som ska förklara ifall hedgefonder har presterat bättre än vårt valda index eller inte.

Ligger 0 inom Betas konfidensintervall kan du inte förkasta H0 att fonderna är lika bra.

Råder dig verkligen att läsa på om regression så att du verkligen har koll på detta. Finns många uppsatser där folk tryckt på en knapp utan att ha koll på vad de gjort.

Finns bra videor på Youtube, Ben Lamberts och professor Leonards kanaler kan rekommenderas.

Förstår inte riktigt vad du menar där med betat? Jag har läst om regression men fattar inte hur den används i praktiken, det är det som är problemet. Jag kan ju slå in allt i excel och få ett antal värden men jag vet inte om de räcker eller om jag måste fortsätta bygga på dem siffrorna genom att sätta in dem i andra formler som t.ex. CAPM eller alpha osv.

β är partiell kovarians, eftersom du verkar ha kört enkel regression är det alltså kovariansen mellan fonderna. Ditt test är ifall den skiljer sig från 0. Vill du använda kovariansen i andra formler så är det bara att stoppa in β där.

Så du menar att det β-värdet jag får av regressionen är den som jag då ska stoppa in i exempelvis alpha eller CAPM formeln?

Jag vet att jag är skitjobbig men kan du försöka förklara lite tydligare. Tänk att jag knappt kan något om detta.

1) vad är det ens för data du har? Vad är ditt R och RM du beskriver i första inlägget?

2) hur kan du nått c-nivå utan att lärt dig detta?

R är månadsavkastningen för hedgefonder och Rm är avkastningen för ett index som jag valt.

2) Gamla tentor min vän, gamla tentor. Men jag klarade mig precis på gränsen om jag ska vara ärlig. Har blivit skoltrött med tiden.

Jag ska använda mig av Jensen's alpha och CAPM men jag vet inte riktigt hur allting hör ihop med regressionen och OLS. Jag söker bara någon som kan förklara så att jag får en "aha-upplevelse".

Jag vet hur jag ska utföra regressionen på excel men vad säger svaren jag har fått? Man får ju ett alpha värde men är det alpha värdet jag söker eller är det bara en estimate? Eller använder jag regressionen för att få ett estimate för Beta som jag sedan sätter in i CAPM modellen och jensen's alpha? Det är dessa frågor jag behöver svar på och varför OLS är relevant. Allt känns bara som en jobbig knut som bara behöver lösas upp.

Så du menar att du vill använda en regressionsmodell där Rm (avkastningen för ett index) är den förklarande variabeln och R (månadsavkastningen för hedgefonder) är den beroende variabeln?

Är det regression på tidsserier som du vill göra? Jag känner nämligen inte riktigt igen hur formulerat modellen.

Alpha i din regressionsmodell är interceptet. Google termen om du inte känner till den. Därmed tror jag iaf inte att alpha i CAPM, eller en annan finansteori, nödvändigtvis är detsamma som alpha i din regression.

Beta i din regressionsmodell är endast koefficienten till din förklarande variabel. Den bestämmer lutningen på kurvan, dvs om den beroende variabeln ökar om den förklarande variabeln ökar, och vice versa om den minskar.

Förresten, varför har du inte tagit upp dessa frågor med din handledare?

Vill nog undvika att avslöja vilken faktisk nivå hen ligger på, fake it til you make it

Utbildning och studier --> Matematiska och naturvetenskapliga uppgifter
/Moderator

Nja jag skrev fel. β Är Kovariansen dividerat med variansen. Ditt hypotesest visar ifall korrelationen kan vara lika med noll (statistiskt sett). Det är bara det en bra tillämpning finns mycket inom finans.

Finns skrivet och beskrivet mycket bra om det på nätet, bättre läsa där än att jag som amatör försöker förklara. Googla typ "beta coefficient" så kommer det upp hur mycket som helst.

OLS är metoden för att estimera beta och kovariansen är härled därifrån, så därför är antagandena viktiga, i ditt fall är de väl kanske inte så relevanta.