金融时间序列预测/ SV回归

Question

我正在使用R软件(Lib e1071)，并试图使用支持向量回归来获得预测。我这样做的方式如下：

我正在使用N=3收益率来窗口化原始收盘价：

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=st。支持向量机类型为“eps-回归”，核为“径向”。此外，我执行10倍交叉验证，以获得最佳的参数，伽马和成本。

但我有个问题：

例如，预测值始终是最后一个值sk-1的非常接近的值：

Last Vector: 

s[t-3]    s[t-2]     s[t-1]   ->   s[t]

1.2350    1.2358     1.2354        1.2355

预测值将是最后st-1值的非常接近的值.我尝试增加学习向量的数量(10K)和增加N的产量(高达7)，但结果是一样的。

有人能告诉我为什么会发生这种事吗?我怎么能得到真正的预测呢？

**

附录

**

关于user__42的善意答复，我有一些问题理解您的解释：

1)假设我有以下3个经过训练的向量集

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] 

所建议的尝试预测是y‘

y'[t] = y[t] - y[-t]

以上述例子为例

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

但在实时预测中，我不知道该怎么计算

y'[t] = x - 15

( 2)考虑到上述例子，请你解释一下你所说的下列短语是什么意思：

y'[nt] 


y'[-nt] 


y[nt] 

Answer 1

如果您使用真实的金融时间序列数据，这种行为是挑战的一部分，-因为金融时间序列是非常嘈杂的。

你可以试试：

1. 写下您的内核参数，并使用相同的内核参数尝试nu=0.1并选择nu=0.1。这样，您将增加模型的复杂性，并与“死记硬背”(与谷歌翻译！德语"auswendiglernen“)

1.a.edit您可以尝试一个损失函数，它不是经典的ε不敏感的LF，比如高斯损失函数(没有xp本人)。

1.b.edit我确实用过一次FaLK。您可以将数据拆分到子数据邻里：，我认为这将帮助您获得较少的“平均”结果。

1. 包括st-13和st-27 (不是介于两者之间的值！)只有(t-1，t-2，t-3，t-13和t-27)才能给机器一个总体趋势的线索.
2. 如果您认真地尝试预测像这样的系列，比如天气;-)、微博客或计算特征(通过隐藏的马尔可夫)，您当然需要更多的特性。
3. 谷歌寻找更简单的玩具数据或外观这里