Çok değişkenli zaman serisi tahmini için destek vektör regresyon

Kimse destek vektör regresyonu kullanarak zaman serisi tahmini yapmaya çalıştı mı?

Destek vektör makinelerini anlıyorum ve destek vektör regresyonunu kısmen anlıyorum, fakat zaman serilerini, özellikle de çok değişkenli zaman serilerini modellemek için nasıl kullanılabileceğini anlamıyorum.

Birkaç makale okumaya çalıştım, ancak çok üst seviyede. Herkes, özellikle çok değişkenli zaman serileriyle ilgili olarak nasıl çalışacaklarını açık bir şekilde açıklayabilir mi?

EDIT: Biraz detaylandırmak için, bir hisse senedi fiyatı örneği ile açıklamaya çalışmama izin verin.

Diyelim ki N gün için hisse senedi fiyatlarımız var. Sonra, her gün için, basit bir durumda önceki günün fiyatı ve mevcut günün fiyatı olabilecek bir özellik vektörü yapabiliriz. Her özellik vektörünün cevabı ertesi günkü fiyat olacaktır. Bu nedenle, dünün fiyatı ve bugünün fiyatı göz önüne alındığında, amaç sonraki günlerin fiyatını tahmin etmektir. Anlamadığım şey şu ki, altı aylık eğitim verilerimiz var, daha yeni özellik vektörlerine nasıl daha fazla önem verirsiniz?

Destek vektör regresyonu bağlamında, verilerinizin bir zaman dizisi olduğu gerçeği temel olarak metodolojik bir bakış açısıyla ilgilidir - örneğin, bir k-kat çapraz doğrulama yapamazsınız ve geri tepme testlerini yaparken önlem almanız gerekir. / simülasyonlar.

Temel olarak, destek vektör regresyonu, diğer herhangi bir ayırt edici regresyon tekniğine çok benzer, ayırt edici bir regresyon tekniğidir. Bir dizi giriş vektörü ve ilgili yanıtları verirsiniz ve yeni bir giriş vektörü verilen yanıtı denemek ve tahmin etmek için bir modele uyar. Çekirdek SVR, diğer taraftan, öğrenme adımından önce veri setinize birçok dönüşümden birini uygular. Bu, örneğin doğrusal regresyonun aksine, veri kümesindeki doğrusal olmayan eğilimleri yakalamasına izin verir. Başlamak için iyi bir çekirdek muhtemelen Gaussian RBF olacaktır - ayarlayabileceğiniz bir hiperparametreye sahip olacaktır, bu yüzden birkaç değer deneyin. Ve sonra ne olup bittiğini hissettiğinizde diğer çekirdekleri deneyebilirsiniz.

Bir zaman dizisi ile bir içe aktarma adımı, "özellik vektörünüzün" ne olacağını belirlemek; Her x i "özellik" denir ve mevcut veya geçmiş verilerden hesaplanabilir ve her y ı , tepki, ne yapacağı tahmin etmeye çalıştığınız her ne bazı zaman dilimi içinde gelecek bir değişim olacak. Örneğin bir stok alın. Zamanla fiyatların var. Belki özellikleri vardır.) 200MA-30MA yayılmış b.) 20 günlük volatilite, her hesaplamak böylece x t zamanında her noktada, birlikte y ${\bf x}$$x_i$$y_i$${\bf x_t}$$y_t$, söz konusu haftada borsadaki iadesini izleyen (diğeri). Bu nedenle, SVR'niz, mevcut MA dağılımına ve 20 günlük hacme dayanarak ertesi haftaki getiri tahminini öğrenir. (Bu strateji işe yaramaz, bu yüzden fazla heyecanlanma;).

Okuduğunuz yazılar çok zorsa, muhtemelen karmaşık olabileceği için SVM'yi kendiniz uygulamak istemezsiniz. IIRC, R için bir dizi kernel içeren bir Çekirdek SVM uygulaması bulunan R'nin bir "kernlab" paketi vardır, bu nedenle kalkmanın ve çalışmanın hızlı bir yolunu sağlar.

Sorulan soruya kişisel cevabım "evet". Geçmişi tanımlamak için sınırsız sayıda seçenek seçeneğinin olduğunu bir profesyonelce ya da aleyhte görebilirsiniz. Piyasanın az önce ne yaptığını [örneğin "ne kadar kesin bir şekilde tarif edeceğinize karşılık gelen özellikleri seçmeye çalışın 1.4 'te ise, başka bir sayı ile ilgili değilse size hiçbir şey söylemez]. SVM'nin hedefine gelince, en basit olanı fiyatlar arasındaki fark ve ard arda iki gün için fiyatların oranıdır. Bunlar doğrudan varsayımsal bir ticaretin kaderine tekabül ettiği için, iyi seçenekler gibi görünüyorlar.

Jason'ın ilk ifadesine bilerek karşı çıkmam gerekiyor: raconteur tarafından tarif edildiği gibi durumlarda k-katlama çapraz onaylama yapabilirsiniz ve yararlıdır (şartlı olarak açıklayacağım). İstatistiksel olarak geçerli olmasının nedeni, bu durumda hedefin örneklerinin kendine özgü bir ilişkiye sahip olmamasıdır: bunlar ayrık farklılıklar veya oranlardır. Verileri hedefin ölçeğinden daha yüksek çözünürlükte kullanmayı tercih ederseniz, eğitim setinde ve validasyon setinde korelasyonlu örneklerin ortaya çıkabileceği endişesi olabilir (bununla birlikte, çapraz doğrulamayı tehlikeye atacak) SVM, hedefleri ilgilendiğiniz hedefle örtüşen hiçbir örneğiniz olmayacak).

Çapraz onaylamanın etkinliğini azaltan şey, piyasanın davranışının zaman içinde değişip değişmediğidir. Bununla başa çıkmanın iki yolu vardır. Bunlardan ilki, zamanı bir özellik olarak dahil etmektir (Bunu çok faydalı bulmadım, belki de gelecekteki bu özelliğin değerleri tamamen yenidir). İyi motive edilmiş bir alternatif, ileri doğrulama doğrulaması kullanmaktır (bu, metodolojinizi kayan bir zaman diliminde test etmek ve bu pencereden hemen sonraki dönemde test etmek anlamına gelir. Davranış zamanla değişiyorsa, Niels Bohr'a atfedilen " Tahmin etmek çok zor, özellikle de gelecekle ilgili "özellikle uygun. Literatürde finansal piyasaların davranışlarının zaman içinde değiştiğine, genellikle daha verimli hale geldiğine dair bazı kanıtlar var,

İyi şanslar!

Finansal serileri tahmin etmek için SVM kullanmak için Quantum Financier'a bir örnek var . Bir sınıflandırma sisteminden (Uzun / Kısa) bir regresyon sistemine kolayca dönüştürülebilir.