©2016-2024 Matools All rights reserved,
粤ICP备17059708号
通过机器学习（machine learning）做价格预测。
希望能提供一些最基础的建议
１）首先尽量简化数据，让每一个输入都有很规范的格式。每一个输入源必须是mean 0，variance
1。假如说不能直接用价格；要用价格的差距。这样才可以客观比较每个输入的作用。而且很多模型本来就有这个要求。
２）先排除那些没有用的输入。这很简单。把数据重新re-sample，得到两个对应的time series，Ａ和Ｂ。算两个time
series的correlation。当然这个值越大越好。但是还有更有用的技巧：给其中的一列Ａ添加offset。试着用各个offset再得出correlation。你会发这个offset过小过大，correlation就越小了。但是中间有一个达到最高值的offset。那就是Ａ领先与Ｂ的平均时间。这offset小于零，说明Ａ可以预测Ｂ。大于零说明这数据根本没什么预测能力，反而Ｂ更能预测Ａ。通过这个可以筛选掉好多东西。
３）现在你得到一套最具有预测能力的输入。但他们的weighting还不知道。首先肯定要去试着用最简单的linear model。如果你的linear
model没用，那更高级的模型肯定也没用了，应该放弃。这linear算法的目标就是简单地得出一列weightings对吧。在某个时刻，这一列数字乘与‘现在’的value必须和未来的value有很大的correlation。所以选择一个心目中最合适的offset(假如一秒或一小时）；然后直接算各个因素的correlation。拼成一列weightings。就这么简单。也可以试着不同offset，看看这模型最好能预算多久以后的value。这东西就叫linear
regression。
４）在linear
regression得到成果以后，再想象更复杂的模型。建议先从一个维度升级到两个维度。得到一个矩阵的weightings。说实话这应该已经够的了。不过如果必要追求再复杂一点的话，那真的建议decision
tree。decision tree也可以理解成heirarchical
model（层次模型？）。比如这个情况：你发现Ａ或Ｂ越高能预测到Ｃ要涨，但好像Ａ和Ｂ都太高的话，Ｃ反而要跌。所以必须有层次的。这decision
tree里面最推荐用random forest。这样能够在复杂程度与预测准确度之间达到最平衡的效果。
５）再高级一点就是通过完全自由连接的graph，比如neural
network。但是肯定先从简单的开始。如果直接用graph，因为connections太多太密集太复杂，很多循环之类的，导致人家很难以理解里面信息运转的道理。最好从linear到２Ｄ开始，这样每一步都更加理解数据之间的关系，更好去设计适合的结构。
６）其他的一些想法：不一定要只根据时间去预测。你所根据的时间线只需要是一个越来越大的某个东西。也可以是市场的买卖量之类的。因为买卖总量和时间一样的，只往前不往后。这样的话你不在预测多少时间以后的value而在预测多少买卖增加以后的value了。一般都比较合适。
还有一点就是：你的那个数据似乎是波浪类型的。这就没有符合第一点。应该转换成更基本的输入和输出；例如分成wavelength和amplitude两个预测对象。
作者：Lightwing <https://www.zhihu.com/topic/19712111/top-answers>
热门工具 换一换