多変量時系列予測のサポートベクトル回帰

サポートベクトル回帰を使用して時系列予測を試みた人はいますか？

サポートベクターマシンを理解し、サポートベクター回帰を部分的に理解していますが、時系列、特に多変量時系列をモデル化するためにそれらを使用する方法を理解していません。

私はいくつかの論文を読み込もうとしましたが、レベルが高すぎます。特に多変量時系列に関連して、誰もが彼らがどのように機能するかを簡単に説明できますか？

編集：少し詳しく説明するために、株価の例で説明してみましょう。

N日間の株価があるとします。次に、毎日、特徴ベクトルを作成できます。特徴ベクトルは、単純な場合、前日の価格と当日の価格になります。各特徴ベクトルの応答は、翌日の価格になります。したがって、昨日の価格と今日の価格を考えると、目的は翌日の価格を予測することです。私が理解していないのは、6か月のトレーニングデータがあるとします。最近の特徴ベクトルをどのように重視するのでしょうか。

サポートベクトル回帰のコンテキストでは、データが時系列であるという事実は主に方法論的な観点から関連しています。たとえば、k倍交差検証を行うことはできず、バックテストを実行する際に予防策を講じる必要があります。 / simulations。

基本的に、サポートベクトル回帰は、他の判別回帰手法とよく似た判別回帰手法です。入力ベクトルと関連する応答のセットを指定し、モデルに適合して、新しい入力ベクトルが与えられた場合の応答を予測しようとします。一方、カーネルSVRは、学習ステップの前に、多くの変換の1つをデータセットに適用します。これにより、線形回帰などとは異なり、データセットの非線形傾向を検出できます。始めるのに適したカーネルはおそらくGaussian RBFです。調整可能なハイパーパラメーターがあるので、いくつかの値を試してください。そして、何が起こっているのかを感じたら、他のカーネルを試すことができます。

時系列では、インポート手順は「特徴ベクトル」を決定します。各x iは「機能」と呼ばれ、現在または過去のデータから計算できます。各y iは、予測しようとしているもののある期間にわたる将来の変化です。在庫を例にとってみましょう。時間とともに価格があります。多分あなたの特徴は、a。）200MA-30MAスプレッドとb。）20日間のボラティリティなので、各時点で各x tをy tとともに計算します${\bf x}$$x_i$$y_i$${\bf x_t}$$y_t$、（たとえば）その株の翌週のリターン。したがって、SVRは、現在のMAスプレッドと20日間のボリュームに基づいて、次の週のリターンを予測する方法を学習します。（この戦略は機能しませんので、あまり興奮しないでください;））。

読んだ論文が難しすぎる場合は、複雑になる可能性があるため、SVMを自分で実装しようとは思わないでしょう。IIRCには、R向けの「kernlab」パッケージがあり、カーネルSVM実装に多数のカーネルが含まれているため、すぐに起動して実行できます。

質問に対する私の個人的な答えは「はい」です。あなたは、過去を説明するための機能の選択肢が無限にあるという賛否両論と見なすことができます。市場が行ったことを誰かに簡潔に説明する方法に対応する機能を選択してみてください。が1.4 "にある場合、他の番号に関連していない場合は何も表示されません]。SVMのターゲットに関して、最も単純なのは、価格の差と2日間連続の価格の比率です。これらは架空の取引の運命に直接対応するため、良い選択のようです。

私はジェイソンの最初の声明にひどく反対しなければなりません：あなたはraconteurによって記述されたような状況でk倍交差検証を行うことができ、それは便利です（ただし、説明します）。統計的に有効である理由は、この場合のターゲットのインスタンスには固有の関係がないためです。それらは互いに素な差または比率です。代わりに、ターゲットのスケールよりも高い解像度でデータを使用することを選択した場合、相関セットがトレーニングセットと検証セットに表示される可能性があり、それが交差検証を妥協する可能性があります（対照的に、 SVMでは、ターゲットが関心のあるインスタンスと重複するインスタンスは使用できません。

相互検証の有効性を低下させるのは、市場の行動が時間とともに変化する場合です。これに対処するには2つの方法があります。1つは、時間を機能として組み込むことです（おそらく、将来この機能の値がすべて新しいため、これは非常に便利だとは思いません）。動機付けの代替手段は、ウォークフォワード検証を使用することです（これは、スライド式の時間枠で方法論をテストし、この時間枠の直後の期間でテストすることを意味します。特に将来についての予測は非常に困難です」。特に、金融市場の行動は時間とともに変化し、一般的にはより効率的になることを示す証拠がいくつかあります。

がんばろう！

SVMを使用して金融シリーズを予測するためのQuantum Financierの例があります。分類システム（ロング/ショート）から回帰システムに簡単に変換できます。