讨论一道面试题

关于R的，给某一年的1000支股票的每日交易量，和收盘价。想找这样一个回归函数

今日收盘价=f(昨日开盘价，昨日收盘价，昨日成交量)

有下面一些想法，抛砖引玉，欢迎大家讨论：


把大约1000*270条数据放一起做回归感觉不靠谱，有的股票六七百块一股，有的股票才不到一块钱一股。
把每个股票都scale一下，然后还是把1000*270条数据放一起做回归。
每个股票单独做回归
把股票分类，然后每一类都做一个回归，怎么分类？
分红，突发信息等引起的突然估价变动，要不要作为outlier除去？咱们就不要去考虑去网上找这些分红等信息了，就用给的每日交易量，和收盘价做。

回归之前肯定是要做一个outlier去除的，以防影响回国的质量。
题目好像是把所有的数据放在一个回归方程中，我觉得应该是将1000*270条数据放一起做回归。

如果是1000支，每一类都做一个回归方程，题目的原意不是这样的，你说题目是找一个回归函数。

如果是分类的话，那要涉及到segmentation，做segmentation是非监督分类，涉及太多人为控制的因素。

单只股票的价格across days是correlated，起码要考虑这一点吧。哪怕假定股票之间相互独立。
scaling对影响coefficient大小但是对model fit, stat inference毫无影响。

不能去除outlier吧。。。

random intercept random slope model?

统计里面好像用其他办法，不过也许可以cross validation看看predictive power?

同意楼上K大妈的观点，应该单只分析
outlier 首先要找到outlier， R里有函数可以很容易的找出outliers, most influence observations， 然后去一个一个的分析如何处理outlier，这里最好是有domain knowledge， 而不是直接全部删掉
对于股票不太懂，但是一个简单的办法是将现有数据分成三块，train, test1,test2， 用step-wise lm 在train上求出模型，再用test1检验，检验predictive power，然后如果不好，再用train重新建模，iterally, 最后的模型再放入test2去检验，此时test2从未被用作计算过
如果数据充足，还可以试试 Cross-validation 以上都可以用R里现成的公式搞定
不过还得看具体的数据去分析，有的数据有很强的自身特点，比如季节性，非常不适用于lm，这时候可以用local linear regression

方差相近的股票为一组吧，如果用线性回归的话。
其实最好的还是要用业务逻辑来进行分类，比如板块类别（ 石油， 房地产， 煤矿等）。这样才是最有代表性的。
另外，介于股票的价格存在数量级上的差别，可以用对数化进行处理，减少异方差。