金融时间序列预测/ SV回归

Question

我正在使用 R 软件 (Lib e1071)，并且正在尝试使用支持向量回归进行预测。我这样做的方式如下：

我正在使用 N=3 收益率对原始收盘价进行窗口化：

s[t-3]    s[t-2]     s[t-1]   ->   s[t]
1.2350    1.2358     1.2354        1.2360
.         .          .             .
.         .          .             .

etc... 

我要预测的值是 y=s[t]。 SVM 类型是“eps-regression”，内核是“radial”。此外，我执行了 10 倍交叉验证以获得最佳参数、gamma 和成本。

但我有一个问题：

预测总是与最后一个值s[k-1]非常接近，例如：

Last Vector: 

s[t-3]    s[t-2]     s[t-1]   ->   s[t]

1.2350    1.2358     1.2354        1.2355

预测值将与最后一个 s[t-1] 值非常接近。我尝试增加学习向量的数量（10K）并增加 N 产量（最多 7 个），但结果是一样的。

谁能告诉我为什么会发生这种情况，我怎样才能得到真正的预测？

**

附录

**

关于 user__42 的友好回复，我在理解您的解释时有些问题：

1) 假设我有以下 3 个经过训练的向量集

10 s[t-3]          12 s[t-2]        15 s[t-1]    ->      11 s[t]  
5  s[t-4]          8  s[t-3]        9  s[t-2]    ->      10 s[t-1]
6  s[t-5]          12 s[t-4]        10 s[t-3]    ->      15 s[t-2] 

建议的尝试预测是y'：

y'[t] = y[t] - y[-t]

以上述为例

y'[t] = 11 - 15  -> y'[t] = y[t] - y[-1] 

但是在实时预测中，我不知道y[t]来计算y'：

y'[t] = x - 15

2) 考虑到上面的例子，请你解释一下下面的表达式是什么意思：

y'[nt] 


y'[-nt] 


y[nt] 

Answer 1

如果您使用真实的金融时间序列数据这种行为是挑战的一部分 - 因为金融时间序列非常嘈杂。

你可以试试：

1. 写下您的内核参数并尝试使用相同内核参数的 nu-SVR 并选择 nu=0.1。通过这种方式，您将增加模型的复杂性，与“死记硬背”相结合（用谷歌翻译！德语中的“auswendiglernen”）

1.a.edit 您可以尝试一个不是经典 ε 不敏感 LF 的损失函数，例如高斯损失函数（我自己没有 xp）

1.b.edit 我曾经使用过 FaLK-SVR。在那里，您可以将数据拆分为子数据邻域：我认为这将帮助您获得更少的“平均”结果。 FaLKM-lib 是基于 libSVM 的即用型实现：http://disi.unitn.it/~segata/FaLKM-lib/

1. 包括 s[t-13] 和 s[t-27]（不是介于两者之间的值！仅（t-1、t-2、t-3、t-13 和 t-27）到给机器一个关于大趋势的线索。

2. 如果您认真尝试预测像这样的系列，比如天气 ;-)、micro-blogging 或计算特征（通过隐藏马尔科夫），您当然需要更多特征

3. 谷歌更简单的玩具数据或查看here