Artificial intelligence 金融时间序列预测/SV回归

我正在使用R软件Lib e1071，并尝试使用支持向量回归得到预测。我的做法如下：

我使用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... 

我想预测的值是y=s[t]。支持向量机类型为eps回归，核函数为径向函数。此外，我还进行了10倍交叉验证，以获得最佳参数、伽马和成本

但我有一个问题：

预测值始终与最后一个值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

预测值将非常接近最后的s[t-1]值。我尝试过增加学习向量的数量10K，并将N产量增加到7，但结果是一样的

有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

**

补遗 **

关于用户__42的善意回复，我在理解您的解释时遇到了一些问题：

1假设我有以下3个训练向量集

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] 

建议的尝试预测为y'：

以上述为例,

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

但在实时预测中，我不知道y[t]来计算y'：

2考虑到上面的例子，你能解释一下下面的表达是什么意思吗

y'[nt] 


y'[-nt] 


y[nt] 

---

如果你使用真实的金融时间序列数据，这种行为就是挑战的一部分——因为金融时间序列非常嘈杂

你可以试试：

写下您的内核参数，用相同的内核参数尝试nu SVR，然后选择nu=0.1。通过这种方式，您将增加模型的复杂性，与死记硬背的学习相融合，并使用谷歌翻译！德语中的auswendiglernen 1.a.edit你可以尝试一个损失函数，它不是经典的ε不敏感LF，比如高斯损失函数no xp

1.b.编辑我曾经使用过FaLK SVR。在那里，你可以在子数据邻域中分割数据：我认为这将帮助你获得更少的平均结果。FaLKM lib是基于libSVM的现成实现：

包括s[t-13]和s[t-27]而不是介于两者之间的值！只有t-1、t-2、t-3、t-13和t-27可以为机器提供关于总体趋势的线索

如果你真的想预测像这样的天气系列，你当然需要更多的功能；-，或通过隐马尔可夫链计算特征

谷歌提供更简单的玩具数据或外观

---

这对我来说可能更好。他们可能有更多的洞察力。你想做什么？金融数据是一个太宽泛的术语，我希望现在更清楚。谢谢。也许对你来说更好，但现在可以行动了……谢谢你的回答。我确实试过你的建议。二,。不幸的是，我也有同样的行为。预测总是非常接近最后的价格。也许增加时间序列的间隔会有所帮助？i、 e:t-2、t-5、t-9、t-13和t-27更新：我增加了如下间距：[t-1]、[t-13]、[t-27]，包括建议1。二,。结果：相同的初始结果。好的，让我澄清一下第三点：你的输入值是简单的y[-t]值-因此机器将y[-1]作为y上最接近的猜测是正确的。尝试预测y'[t]=y[t]-y[-t]，也使用y'[-nt]作为输入。这样，从x1=[1,2,3,4]到x2=[3,4,5,6]的内核距离将为零。如果需要y[t]作为输出，只需将已知的y[-t]添加到y'[t]。还可以尝试混合y'[-nt]和y[-nt]值，以覆盖低值和高值上的不同行为。尝试将尽可能多的信息放入内核。玩y[-nt]-y[-nt-2]等等……感谢您的洞察力。请您参考上述初始问题的附录，以澄清一些要点？再次感谢。请在上面的评论中将-nt替换为t-n。对于x1和x2，我指的是您的原始输入。如果取这些值的差分：x1*=[1,1,1,1]和x2*=[1,1,1]，则具有任何内核的x1*和x2*之间的内核距离为0。好啊现在为了让事情变得简单，我们想要预测y1=5和y2=7。所以y1*=y1'=1和y2*=y2'=1。如果我们有一台预测y1*和y2*的机器，我们需要将y'加到已知的y[t-1]中，以返回到所需的y。这里：y1=y1*+y1[t-1]=1+4=5，y2=y2*+y2[t-1]=1+6=7。所以你预测y'并从中计算y。

y'[t] = x - 15

y'[nt] 


y'[-nt] 


y[nt]