一只 股票的beta值通常意味着它与市场的关系，当市场变动 1%时，我们期望股票会发生多少百分比的变动。
市场，是一个有点模糊的概念，像往常一样，我们使用标准普尔500指数进行近似计算。上述关系（以下简称β）对交易和风险管理的许多方面是不利的。已经确定的是，波动率对于上涨的市场和下跌的市场有不同的动态。我们无论如何都要使用回归来估计贝塔值，所以对于希望拟合这种不对称性的投资者来说，分段线性回归是合适的。
这个想法很简单，我们将数据集分成两个（或更多）部分，并分别、逐块或 分段估计每个部分。这个简单的想法可以用复杂的符号和代码来实现。
为了说明，我使用 Microsoft 股市收益率数据(MSFT)。
我对不同收益率估计了不同的β值，正日在零以上，负日在零以下，所以零是我们的突破点。(这个突破点在学术术语中被称为 "结"，为什么是 "结 "呢？因为它把两部分联系在一起。) 下面的图显示了结果。
getSymbols
for (i in 1:l){
dat0 = getSymbols
rt[,i] = dt[,4]/dt[,1] - 1
}
lal = lm
plot abline
也许β值一直都是一样的，直到极端的负值，只有说当市场急剧下降时，关系才会改变。这属于结构性变化的范畴。我考虑沿轴线的点的网格，并建立一个模型，在每个点上有一个断点，断点前有一个斜率，断点后有一个斜率。我寻找整个样本的平方误差之和的最小值，所以我把两个模型的平方误差相加。下图显示了结果。
plot(ret[,1]~ret[,2]
segments
grid1
grid2
## 注意这里（ret[,2]<grid2[i]），是指标函数
for (i in 1:length(gid2) ) {
rneg <-lm
rpos <-lm
d[i]<- summary
}
plot
text
points
在最优模型上进行网格搜索
好吧，数据说突破点不是零，但几乎为零，运气不好，所有这些工作，我问你什么？好吧，为了使用正确的 贝塔 ，你现在要做的就是决定是熊市还是牛市......应该是轻而易举的事。感谢阅读，代码如下所示。
数据显示，结点不是零，但几乎是零，为了使用正确的β值，你现在要做的就是决定，这是一个熊市还是一个牛市，谢谢阅读。
