一隻 股票的_beta_值通常意味着它與市場的關系，當市場變動 1%時，我們期望股票會發生多少百分比的變動（點選文末“閱讀原文”擷取完整代碼資料）。
市場，是一個有點模糊的概念，像往常一樣，我們使用标準普爾500指數進行近似計算。上述關系（以下簡稱β）對交易和風險管理的許多方面是不利的。已經确定的是，波動率對于上漲的市場和下跌的市場有不同的動态。我們無論如何都要使用回歸來估計貝塔值，是以對于希望拟合這種不對稱性的投資者來說，分段線性回歸是合适的。
這個想法很簡單，我們将資料集分成兩個（或更多）部分，并分别、逐塊或 _分段_估計每個部分。這個簡單的想法可以用複雜的符号和代碼來實作。
為了說明，我使用 Microsoft 股市收益率資料(MSFT)。
我對不同收益率估計了不同的β值，正日在零以上，負日在零以下，是以零是我們的突破點。(這個突破點在學術術語中被稱為 "結"，為什麼是 "結 "呢？因為它把兩部分聯系在一起。) 下面的圖顯示了結果。
getSymbols
for (i in 1:l){
dat0 = getSymbols
rt\[,i\] = dt\[,4\]/dt\[,1\] - 1
}
lal = lm
plot abline 
也許β值一直都是一樣的，直到極端的負值，隻有說當市場急劇下降時，關系才會改變。
點選标題查閱往期内容
R語言分位數回歸、GAM樣條曲線、指數平滑和SARIMA對電力負荷時間序列預測
左右滑動檢視更多
01
02
03
04
這屬于結構性變化的範疇。我考慮沿軸線的點的網格，并建立一個模型，在每個點上有一個斷點，斷點前有一個斜率，斷點後有一個斜率。我尋找整個樣本的平方誤差之和的最小值，是以我把兩個模型的平方誤差相加。下圖顯示了結果。
plot(ret\[,1\]~ret\[,2\]
segments
grid1
grid2
## 注意這裡（ret\[,2\]<grid2\[i\]），是名額函數
for (i in 1:length(gid2) ) {
rneg <-lm
rpos <-lm
d\[i\]<- summary
}
plot
text
points 在最優模型上進行網格搜尋
資料顯示，結點不是零，但幾乎是零，為了使用正确的β值，你現在要做的就是決定，這是一個低迷的市場還是一個牛市，謝謝閱讀。