用于价格预测的时间序列预测(预测问题)

Question

我正在做一个价格走势预测的项目，我被糟糕的质量预测卡住了。

在每个时间步，我都使用LSTM来预测接下来的10个时间步。输入是最近45-60个观察值的序列。我测试了几种不同的想法，但它们似乎都给出了相似的结果。该模型被训练为最小化MSE。

对于每个想法，我尝试了一个模型，每次预测一个步骤，其中每个预测被反馈为下一个预测的输入，以及一个直接预测下10个步骤(多个输出)的模型。对于每个想法，我还尝试只使用以前价格的移动平均值作为输入，并扩展输入以在这些时间步骤输入订单簿。每个时间步长对应于一秒。

到目前为止，结果如下：

1-第一次尝试使用最后N个步骤的移动平均值作为输入，并预测接下来10个步骤的移动平均值。在时间t，我使用价格的实际值并使用模型预测t+1....t+10

这就是结果

Predicting moving average

仔细检查，我们可以看到哪里出了问题：

Prediction seems to be a flat line. Does not care much about the input data.

2)第二次尝试是试图预测差异，而不是简单的价格变动。这次的输入不是简单的Xt，而是Xt-Xt-1。这并没有真正的帮助。这一次的图看起来像这样：

Predicting differences

但仔细观察，绘制差异图时，预测结果总是基本为0。

Plot of differences

在这一点上，我被困在这里，运行我们的想法来尝试。我希望在这类数据方面有更多经验的人能给我指明正确的方向。

我是否使用了正确的目标来训练模型？在处理我遗漏的这种类型的数据时，有没有什么细节？有没有什么“窍门”可以防止你的模型总是预测与它上次看到的值相似的值？(它们确实会导致低误差，但在这一点上它们变得毫无意义)。

至少在哪里挖掘更多信息的提示将受到高度赞赏。

谢谢!

Answer 1

我是否使用了正确的目标来训练模型？

是的，但LSTM在预测时间序列时总是非常棘手的。并且与其他时间序列模型相比，非常容易出现过拟合。

在处理我遗漏的这种类型的数据时，有没有什么细节？

有没有什么“窍门”可以防止你的模型总是预测与它上次看到的值相似的值？

我没有看到您的代码，也没有看到您正在使用的LSTM的详细信息。请确保您使用的是一个非常小的网络，并且要避免过度拟合。确保在对数据进行差异之后-然后在评估最终预测之前对其进行重新集成。

技巧:尝试建立一个直接预测10步的模型，而不是建立一个提前一步的模型，然后递归预测。