線性迴歸分析用於根據另一個變數的值來預測某個變數的值。您要預測的變數稱為應變數。您用來預測其他變數值的變數稱為自變數。線性回歸估計線性方程的係數，涉及一個或多個自變量，可以最好地預測因變量的值。
這種分析形式可預估線性方程的係數，其中涉及一或多個可最佳預測應變數值的自變數。線性迴歸是指可將預測輸出值與實際輸出值之間差異最小化的直線或曲面擬合。簡單的線性迴歸演算器使用「最小平方」方法來找出一組配對資料的最佳擬合線。然後從 Y（自變數）估計 X（應變數）的值。例如，您可以嘗試根據年齡、教育程度和經驗年限等自變量來預測銷售人員的年度總銷售額（因變量）。
迴歸分析是蠻常採用的統計方法之一，而在進行迴歸分析之前，針對「殘差」有幾項基本的假設。若資料違反這些基本假設，通常會使分析結果產生偏誤，其假設包含：
（1）常態性：是在固定同樣的X之下，所得到的殘差符合常態分配，代表依變項Y也符合常態。
（2）變異數同質性：指在給定一固定X值之下，此部分的Y值所計算出來的變異數，會等同於給定另一固定X值之下的Y值變異數。換句話說，將不同X所對應的Y進行分組，每一組Y所計算出來的變異數必須符合同質。
（3）獨立性：時間序列的資料，通常容易發生殘差不獨立的問題，須小心思考。(這點又涉及隨不隨機與否的議題)
此外，確保您的資料符合線性迴歸假設，
前提假設，對於自變量的每個值，因變量的分佈必須是正態分佈。對於自變量的所有值，因變量分佈的方差應該是恆定的。因變量和每個自變量之間的關係應該是線性的，所有的觀測值應該是獨立的。
l 檢查是否有等分散性：沿著最佳擬合線性迴歸線出現的變異數，呈現在整條線上都保持類似。等分散性 (Homoscedasticity)不管預測變項之分數高或低,效標變項的估計標準誤均一樣大的特性。
l 最佳擬合迴歸線的殘差（誤差）遵循常態分配。
我們都知道直線的公式是y = a + b（a是常數，b是直線的斜率）
最佳擬合線是
LR = ( Σy – bΣx ) / n + ( nΣxy – ΣxΣy ) / ( nΣx²- (Σx)²)
y = 價格
x = 日期
n 是所選數據點的數量
最小平方法Sum Of Least Squares提供了一種比較不同直線並找到與所選數據相符的直線的公正措施。
1. 繪製每個數據點
2. 然後，計算每個數據點與建議直線之間的距離
3. 將距離平方，這有助於我們去除負值。
4. 計算平方和
5. 應對所有可能的行重複步驟 2 到 4
6. 然後選擇平方和最小的線。
線性回歸指標幫助我們識別新趨勢。它類似於移動平均線。LRI 不應與線性回歸線混淆，後者是擬合到一系列數據點的直線。線性回歸指標繪製了連續幾天繪製的一系列線性回歸線的端點。LRI 是對明天價格的預測，它在今天繪製在圖表上。線性回歸線暗示價格的預期位置，這使得指標比移動平均線更敏感。如果貨幣價格高於或低於預測值，交易者預期價格將回到更現實的水平。該指標突出顯示價格應在統計基礎上交易的位置。LRI 與移動平均線相比具有優勢，因為它比移動平均線具有更少的滯後，並且它對價格變化反應迅速。LRI 通過使用最小平方擬合方法計算線性回歸趨勢線來識別趨勢，這有助於減少線性回歸和數據點之間的距離。應使用線性回歸指標的方向來獲取交易信號。當指標轉向上行時，應進行多頭入場（或從空頭頭寸退出）。當指標轉向下行時，應進行空頭入場（或從延伸位置離場）。
線性迴歸通道(Dynamic Linear Regression Channel)
https://www.mql5.com/en/code/24615
https://www.mql5.com/en/market/product/49702?source=External%3Ahttps%3A%2F%2Furl.rw%2F
https://www.earnforex.com/metatrader-indicators/linear-regression-channel/
在外匯交易中，我們假設有一定程度的“集中趨勢”，儘管這可能會導致打架。集中趨勢概念來自物理世界的科學觀察（而在外匯交易中，我們處於交易者心理世界中）。集中趨勢的基本思想是遠離趨勢的極端異常值將被修正回中心，無論是移動平均線還是其他一些衡量標準。在這種情況下是線性回歸。因此，如果您從終點延伸 linreg 線。例如，在最近的最高高點，您正在建立一個假設的“中心”，如果您預計當前的趨勢程度將持續，您預計價格將圍繞該“中心”振盪。
線性回歸趨勢線
線性回歸是一條線，它使自身與圖表選定區域中的每個數據點之間的距離最小化。下圖顯示了一條藍色線性回歸線和一條紅色手繪支撐線。正如上一課所定義的，紅色支撐線連接了一系列低點，因此是我們預期的最大下行趨勢的邊界。另一方面，藍色線性回歸線盡可能多地穿過條形的中心。
繪製線性回歸線的方法沒有硬性或所謂正確的規則。原則上希望以顯著的低點開始和顯著高點做為開始和結束。將兩個標準誤差的數值添加到 linreg 以形成通道頂部，並從 linreg 中減去它們以形成底部。這樣做的技術是這與通過添加和減去相對於 20 週期移動平均線的標準差來形成布林帶的過程完全相同。以顯示若繼續保持相同程度的趨勢，則價格序列預期的走勢。
