支持向量回归用于多元时间序列预测

有没有人尝试使用支持向量回归进行时间序列预测？

我了解支持向量机，部分了解支持向量回归，但是我不了解如何将其用于建模时间序列，尤其是多元时间序列。

我试图阅读一些论文，但是它们的水平太高了。谁能用外行的方式解释他们将如何工作，尤其是在多元时间序列方面？

编辑：详细说明一下，让我尝试用股价示例进行说明。

假设我们有N天的股价。然后，对于每一天，我们可以构造一个特征向量，在一个简单的情况下，它可以是前一天的价格和当天的价格。每个特征向量的响应将是第二天的价格。因此，给定昨天的价格和今天的价格，目标是预测第二天的价格。我不明白的是，假设我们有六个月的训练数据，您如何将重点放在较新的特征向量上？

在支持向量回归的背景下，从方法论的角度来看，您的数据是时间序列这一事实主要与之相关-例如，您无法进行k倍交叉验证，并且在进行回测时需要采取预防措施/模拟。

基本上，支持向量回归是一种判别回归技术，与任何其他判别回归技术一样。您给它提供了一组输入向量和相关的响应，并且它适合模型以尝试预测给定新输入向量的响应。另一方面，内核SVR在学习步骤之前将许多转换之一应用于您的数据集。与线性回归不同，这使它可以拾取数据集中的非线性趋势。一个好的内核可能是高斯RBF －它具有可以调整的超参数，因此请尝试几个值。然后，当您对正在发生的事情有所了解时，可以尝试其他内核。

对于时间序列，导入步骤正在确定您的“特征向量” 将是什么；每个x i都被称为“特征”，可以根据当前或过去的数据进行计算，每个y i（响应）将是您要尝试预测的一段时间内的未来变化。以股票为例。您的价格随时间推移而变化。也许你的特点是一个。）在200MA-30MA传播和b。）20日波幅，所以你计算每X ŧ在每个时间点，随着ÿ ${\bf x}$$x_i$$y_i$${\bf x_t}$$y_t$，即该股票一周后的收益（例如）。因此，您的SVR学习如何根据当前的MA价差和20天交易量来预测下周的收益。（此策略无效，所以不要太兴奋；）。

如果您阅读的论文太难了，您可能不想自己尝试实现SVM，因为它可能很复杂。IIRC为R提供了一个“ kernlab”软件包，该软件包具有内核SVM实现，其中包括许多内核，因此可以提供一种快速启动和运行的方法。

我对所提问题的个人回答是“是”。您可以将其视为过去的优点或缺点，可以选择无数种功能来描述过去。尝试选择与您可能会向某人简洁地描述市场刚刚做过的事情相对应的功能[例如，价格如果是1.4”，则表示与其他数字无关。对于支持向量机的目标，最简单的是价格差异和连续两天的价格比率。由于这些直接对应于假设交易的命运，因此它们似乎是不错的选择。

我不得不在书呆子上不同意Jason的第一句话：您可以在raconteur所描述的情况下进行k折交叉验证，这很有用（我将解释附带条件）。从统计上讲是有效的原因是，在这种情况下，目标的实例没有内在联系：它们是不相交的差异或比率。如果您选择使用比目标范围更高分辨率的数据，则可能会担心相关实例可能会出现在训练集和验证集中，这会损害交叉验证（相反，在应用SVM，您将没有可用的目标重叠的实例）。

确实降低了交叉验证的有效性的是，市场行为是否随着时间而改变。有两种可能的方法来解决此问题。首先是将时间作为一项功能（我发现这没有什么用处，也许是因为将来该功能的价值是全新的）。一个积极的选择是使用前向验证（这意味着在一个滑动的时间窗口内测试您的方法，并在此窗口之后的时间段内对其进行测试。如果行为随时间而变化，这句话应归功于Niels Bohr“预测非常困难，尤其是关于未来的预测”尤其合适。文献中有证据表明，金融市场的行为确实会随着时间而变化，通常会变得更加高效，

祝好运！

在Quantum Financier上有一个使用SVM预测财务系列的示例。它可以轻松地从分类系统（长/短）转换为回归系统。