สนับสนุนการถดถอยเวกเตอร์สำหรับการทำนายอนุกรมเวลาหลายตัวแปร

มีใครพยายามทำนายอนุกรมเวลาโดยใช้การถดถอยแบบเวกเตอร์สนับสนุนหรือไม่

ฉันเข้าใจการสนับสนุนเวกเตอร์แมชชีนและเข้าใจการสนับสนุนการถดถอยเวกเตอร์เป็นบางส่วน แต่ฉันไม่เข้าใจว่าจะสามารถใช้โมเดลอนุกรมเวลาโดยเฉพาะอนุกรมเวลาหลายตัวแปรได้อย่างไร

ฉันพยายามอ่านบทความสองสามฉบับ แต่พวกเขาอยู่ในระดับสูงเกินไป ทุกคนสามารถอธิบายในแง่ของการทำงานได้อย่างไรโดยเฉพาะอย่างยิ่งเกี่ยวกับอนุกรมเวลาหลายตัวแปร?

แก้ไข: เพื่ออธิบายรายละเอียดเล็กน้อยขอให้ฉันพยายามอธิบายด้วยตัวอย่างราคาหุ้น

สมมติว่าเรามีราคาหุ้นเป็นเวลา N วัน จากนั้นในแต่ละวันเราสามารถสร้างเวกเตอร์คุณลักษณะซึ่งในกรณีง่าย ๆ อาจเป็นราคาของวันก่อนหน้าและราคาของวันปัจจุบัน การตอบสนองสำหรับแต่ละคุณสมบัติของเวกเตอร์จะเป็นราคาของวันถัดไป ดังนั้นเมื่อราคาของวานนี้และราคาของวันนี้มีวัตถุประสงค์เพื่อคาดการณ์ราคาของวันถัดไป สิ่งที่ฉันไม่เข้าใจคือว่าเรามีข้อมูลการฝึกอบรมหกเดือนคุณจะให้ความสำคัญกับเวกเตอร์คุณลักษณะล่าสุดได้อย่างไร

ในบริบทของการสนับสนุนการถดถอยแบบเวกเตอร์ความจริงที่ว่าข้อมูลของคุณเป็นอนุกรมเวลานั้นมีความเกี่ยวข้องเป็นหลักจากจุดยืนของระเบียบวิธี - ตัวอย่างเช่นคุณไม่สามารถทำการตรวจสอบความถูกต้องข้ามแบบ k-fold ได้และคุณจำเป็นต้องใช้ความระมัดระวัง / จำลอง

โดยพื้นฐานแล้วการถดถอยเวกเตอร์สนับสนุนเป็นเทคนิคการถดถอยแบบพินิจพิเคราะห์เหมือนกับเทคนิคการถดถอยแบบพินิจพิเคราะห์อื่น ๆ คุณให้ชุดของเวกเตอร์อินพุตและการตอบกลับที่เกี่ยวข้องและมันก็เหมาะกับแบบจำลองเพื่อลองและทำนายการตอบสนองที่ได้รับจากเวกเตอร์อินพุตใหม่ ในทางกลับกัน Kernel SVR ใช้การแปลงหนึ่งในหลาย ๆ ชุดกับชุดข้อมูลของคุณก่อนที่จะเรียนรู้ขั้นตอน สิ่งนี้ช่วยให้สามารถรับแนวโน้มแบบไม่เชิงเส้นในชุดข้อมูลซึ่งแตกต่างจากการถดถอยเชิงเส้น เคอร์เนลที่ดีในการเริ่มต้นอาจเป็น Gaussian RBF - มันจะมีพารามิเตอร์หลายตัวที่คุณสามารถจูนได้ดังนั้นลองใช้ค่าสองสามอย่าง และเมื่อคุณรู้สึกถึงสิ่งที่เกิดขึ้นคุณสามารถลองเมล็ดอื่น ๆ

${\bf x}$$x_i$$y_i$${\bf x_t}$$y_t$คือ (พูด) ผลตอบแทนต่อสัปดาห์ของหุ้นดังกล่าว ดังนั้น SVR ของคุณเรียนรู้วิธีทำนายผลตอบแทนของสัปดาห์ต่อไปนี้โดยพิจารณาจากสเปรด MA และกระแส 20 วัน (กลยุทธ์นี้ใช้งานไม่ได้ดังนั้นอย่าตื่นเต้นเกินไป))

หากเอกสารที่คุณอ่านนั้นยากเกินไปคุณอาจไม่ต้องการลองใช้ SVM ด้วยตัวเองเพราะมันอาจซับซ้อน IIRC มีแพ็คเกจ "kernlab" สำหรับ R ที่ใช้ Kernel SVM พร้อมด้วยจำนวนของเคอร์เนลที่รวมอยู่ด้วยดังนั้นจะช่วยให้สามารถเริ่มต้นใช้งานได้อย่างรวดเร็ว

คำตอบส่วนตัวของฉันสำหรับคำถามตามที่ถามคือ "ใช่" คุณอาจมองว่ามันเป็นมืออาชีพหรือแย้งว่ามีตัวเลือกคุณลักษณะมากมายเพื่ออธิบายอดีตพยายามเลือกคุณลักษณะที่สอดคล้องกับวิธีที่คุณอาจอธิบายให้คนฟังว่าตลาดได้ทำอะไรไปอย่างกระชับ [เช่น "ราคา อยู่ที่ 1.4 "ไม่บอกอะไรเลยถ้าไม่เกี่ยวข้องกับหมายเลขอื่น] สำหรับเป้าหมายของ SVM สิ่งที่ง่ายที่สุดคือความแตกต่างของราคาและอัตราส่วนของราคาเป็นเวลาสองวันติดต่อกัน เนื่องจากสิ่งเหล่านี้สอดคล้องโดยตรงกับชะตากรรมของการค้าสมมุติพวกเขาจึงดูเหมือนเป็นทางเลือกที่ดี

ฉันต้องไม่เห็นด้วยอย่างมากกับประโยคแรกของ Jason: คุณสามารถทำการตรวจสอบไขว้แบบ k-fold ในสถานการณ์เช่นที่อธิบายโดย raconteur และมีประโยชน์ (ด้วยเงื่อนไขที่ฉันจะอธิบาย) เหตุผลที่ถูกต้องทางสถิติก็คืออินสแตนซ์ของเป้าหมายในกรณีนี้ไม่มีความสัมพันธ์ที่แท้จริง: พวกเขาจะแยกความแตกต่างหรืออัตราส่วน หากคุณเลือกที่จะใช้ข้อมูลที่ความละเอียดสูงกว่าระดับของเป้าหมายจะมีเหตุผลที่กังวลว่าอินสแตนซ์ที่สัมพันธ์กันอาจปรากฏในชุดการฝึกอบรมและชุดการตรวจสอบความถูกต้องซึ่งจะทำให้การตรวจสอบข้าม SVM คุณจะไม่มีกรณีที่เป้าหมายทับซ้อนกับเป้าหมายที่คุณสนใจ)

สิ่งที่จะลดประสิทธิภาพของการตรวจสอบข้ามคือถ้าพฤติกรรมของตลาดมีการเปลี่ยนแปลงเมื่อเวลาผ่านไป มีสองวิธีที่เป็นไปได้ในการจัดการกับสิ่งนี้ สิ่งแรกคือการรวมเวลาเป็นคุณลักษณะ (ฉันไม่พบสิ่งนี้มีประโยชน์มากอาจเป็นเพราะค่าของคุณลักษณะนี้ในอนาคตเป็นของใหม่ทั้งหมด) อีกทางเลือกหนึ่งที่มีแรงจูงใจคือการใช้การตรวจสอบความถูกต้องของการเดินไปข้างหน้า (ซึ่งหมายถึงการทดสอบวิธีการของคุณในช่วงเวลาที่เลื่อนออกไปและทดสอบในช่วงเวลาหลังหน้าต่างนี้หากพฤติกรรมมีการเปลี่ยนแปลงอยู่ตลอดเวลา การทำนายยากมากโดยเฉพาะอย่างยิ่งอนาคต "เหมาะสมเป็นพิเศษมีหลักฐานบางอย่างในวรรณคดีที่พฤติกรรมของตลาดการเงินเปลี่ยนแปลงตลอดเวลาโดยทั่วไปมีประสิทธิภาพมากขึ้น

โชคดี!

มีตัวอย่างของQuantum Financier ที่ใช้ SVM ในการคาดการณ์ชุดการเงิน มันสามารถแปลงได้อย่างง่ายดายจากระบบการจำแนก (ยาว / สั้น) เป็นระบบการถดถอย