带有掩码特征的股票价格预测答案

【问题标题】：Stock Price prediction with masked features带有掩码特征的股票价格预测
【发布时间】：2019-05-28 23:09:16
【问题描述】：

我的训练数据包含股票价格和 40 个掩码特征。这些被掩盖的特征也出现在我的测试数据中。我想预测测试数据中的价格列。我可以将其作为一个正常的监督学习问题来解决，而不是将其视为时间序列问题，因为我有足够的自变量来预测测试数据中的目标变量。

更重要的是，我应该如何解决这个问题。

【问题讨论】：

您的数据不是时间序列格式（它不是不断分布的），因此您无法对其进行预测。
假设您的数据格式正确，然后根据您共享的图，您的数据没有任何规则结构（例如季节性、趋势等），因此没有预测方法给你好的结果。请澄清您是否有正确的格式？你说 1500 个样本，频率是多少？

【解决方案1】：

另外，我怀疑我拥有的数据是否可以用于时间序列预测。

我附上振动散点图的截图。

数据看起来很奇怪（x 轴上的某些值>1 值）。为什么要分散？

我有压缩机的每日振动数据（大约 1500 个样本），想再预测 30 天。我尝试了 ARIMA，但效果不佳。

实际上，有几种方法可以同时预测 n 值：

使用模型“预测下一个值”：对下一步进行预测，然后使用它并进行新的预测等等。这里的一个优势：1 个模型。缺点：你的错误会增长得非常快，因为你的错误是在每一步都结合在一起的。
使用 30 个模型预测 30 个值（提前 1 步，提前 2 步）。它更好，但调整可能需要很长时间。正如这里所建议的，https://github.com/facebook/prophet 可以帮助您。
不同的组合。

但首先，检查您的数据，必要时进行插值（两种方式），想想nan（如果有的话）。如我所见，您必须将更多时间花在数据处理上，而不是模型拟合上。

而且，不要忘记，时间序列有时也可以通过线性回归和其他模型进行预测！根据情节的形状，这也是一个不错的方法！

【讨论】：

【解决方案2】：

FBProphet 来自 Facebook 的库可以适应您的需求。

这是一个基于趋势+季节性+假期+错误的强大库

这也有一个自动变化点趋势检测和异常值检测。

【讨论】：