Supporta la regressione vettoriale per la previsione di serie temporali multivariate

Qualcuno ha tentato la previsione delle serie temporali utilizzando la regressione del vettore di supporto?

Comprendo le macchine vettoriali di supporto e in parte capisco la regressione dei vettori di supporto, ma non capisco come possano essere utilizzate per modellare serie storiche, in particolare serie temporali multivariate.

Ho provato a leggere alcuni articoli, ma sono di livello troppo alto. Qualcuno può spiegare in termini laici come funzionerebbe, specialmente in relazione a serie temporali multivariate?

EDIT: Per elaborare un po ', lasciami provare a spiegare con un esempio di prezzo delle azioni.

Supponiamo di avere prezzi delle azioni per N giorni. Quindi, per ogni giorno potremmo costruire un vettore caratteristica, che, in un caso semplice, potrebbe essere il prezzo del giorno precedente e il prezzo del giorno corrente. La risposta per ogni vettore di funzionalità sarebbe il prezzo del giorno successivo. Pertanto, dato il prezzo di ieri e il prezzo di oggi, l'obiettivo sarebbe quello di prevedere il prezzo dei giorni successivi. Quello che non capisco è, diciamo, che abbiamo sei mesi di dati di formazione, come daresti maggiore enfasi ai vettori di funzionalità più recenti?

Nel contesto della regressione dei vettori di supporto, il fatto che i tuoi dati siano una serie temporale è principalmente rilevante dal punto di vista metodologico: ad esempio, non è possibile eseguire una convalida incrociata di k-fold e è necessario prendere precauzioni quando si eseguono backtest simulazione /.

Fondamentalmente, la regressione del vettore di supporto è una tecnica di regressione discriminativa molto simile a qualsiasi altra tecnica di regressione discriminativa. Gli dai una serie di vettori di input e risposte associate e si adatta a un modello per provare a prevedere la risposta dato un nuovo vettore di input. Kernel SVR, d'altra parte, applica una delle molte trasformazioni al tuo set di dati prima della fase di apprendimento. Ciò gli consente di rilevare tendenze non lineari nel set di dati, a differenza, ad esempio, della regressione lineare. Un buon kernel per cominciare sarebbe probabilmente l'RBF gaussiano - avrà un iperparametro che puoi sintonizzare, quindi prova un paio di valori. E poi quando senti che cosa sta succedendo puoi provare altri kernel.

Con una serie temporale, un passaggio di importazione sta determinando quale sarà il tuo "vettore caratteristica" ; ogni x i è chiamato una "caratteristica" e può essere calcolato dai dati presenti o passati e ogni y i , la risposta, sarà il cambiamento futuro in un periodo di tempo di qualunque cosa tu stia cercando di prevedere. Prendi uno stock per esempio. Hai prezzi nel tempo. Forse le tue caratteristiche sono a.) Lo spread 200MA-30MA eb) la volatilità di 20 giorni, in modo da calcolare ogni x t in ogni punto nel tempo, insieme a y ${\bf x}$$x_i$$y_i$${\bf x_t}$$y_t$, il (diciamo) ritorno della settimana successiva su quello stock. Pertanto, il tuo SVR impara come prevedere il ritorno della settimana successiva in base allo spread MA attuale e al volume di 20 giorni. (Questa strategia non funzionerà, quindi non eccitarti troppo;)).

Se i documenti che leggi erano troppo difficili, probabilmente non vorrai provare a implementare un SVM da solo, poiché può essere complicato. In IIRC esiste un pacchetto "kernlab" per R che ha un'implementazione SVM del kernel con un numero di kernel inclusi, in modo da fornire un modo rapido per iniziare.

La mia risposta personale alla domanda è "sì". Puoi vederlo come un professionista o un truffatore che ci sono un numero infinito di opzioni di funzionalità per descrivere il passato. Prova a scegliere caratteristiche che corrispondono a come potresti descrivere concisamente a qualcuno ciò che il mercato ha appena fatto [ad esempio "il prezzo è a 1.4 "non dice nulla se non è correlato a qualche altro numero]. Per quanto riguarda l'obiettivo dell'SVM, i più semplici sono la differenza di prezzo e il rapporto dei prezzi per due giorni consecutivi. Dato che corrispondono direttamente al destino di un ipotetico commercio, sembrano buone scelte.

Devo essere in disaccordo pedante con la prima affermazione di Jason: puoi fare k-fold cross-validation in situazioni come quella descritta da raconteur ed è utile (con una condizione che spiegherò). Il motivo per cui è statisticamente valido è che le istanze del target in questo caso non hanno relazioni intrinseche: sono differenze o rapporti disgiunti. Se si sceglie invece di utilizzare i dati a una risoluzione superiore rispetto alla scala del target, ci sarebbe motivo di preoccuparsi che istanze correlate possano apparire nel set di addestramento e nel set di convalida, il che comprometterebbe la convalida incrociata (al contrario, quando si applica il SVM non avrai istanze disponibili i cui target si sovrappongono a quello a cui sei interessato).

La cosa che riduce l'efficacia della convalida incrociata è se il comportamento del mercato sta cambiando nel tempo. Esistono due modi possibili per gestirlo. Il primo è incorporare il tempo come funzionalità (non l'ho trovato molto utile, forse perché i valori di questa funzionalità in futuro sono tutti nuovi). Un'alternativa ben motivata è quella di utilizzare la validazione walk-forward (che significa testare la metodologia su una finestra scorrevole del tempo e testarla sul periodo immediatamente successivo a questa finestra. Se il comportamento cambia nel tempo, il detto attribuito a Niels Bohr " La previsione è molto difficile, soprattutto per il futuro "è particolarmente appropriato. Esistono alcune prove in letteratura che il comportamento dei mercati finanziari cambia nel tempo, diventando generalmente più efficiente,

In bocca al lupo!

C'è un esempio su Quantum Financier per l'utilizzo di un SVM per la previsione di serie finanziarie. Potrebbe essere facilmente convertito da un sistema di classificazione (Long / Short) a un sistema di regressione.