27
  • 时间序列预测/回归有哪些算法？
    • 使用神经网络怎么样？（关于这个主题的最佳文档？）
    • 是否有可以提供帮助的 python 库/代码片段？
4

7 回答 7

73

时间序列回归的经典方法是：

  • 自回归模型（有关于它们的全部文献）

  • 高斯过程

  • 傅里叶分解或类似方法提取信号的周期性分量（即数据中隐藏的振荡）

我知道的其他不太常见的方法是

  • 慢特征分析，一种提取时间序列驱动力的算法，例如，混沌信号背后的参数

  • 神经网络 (NN) 方法，使用循环神经网络（即，用于处理时间信号）或经典前馈神经网络，接收过去数据的输入部分并尝试预测未来的某个点；后者的优点是已知循环神经网络在考虑遥远的过去方面存在问题

在我看来，对于财务数据分析，重要的是不仅要获得时间序列的最佳猜测外推，还要获得可靠的置信区间，因为由此产生的投资策略可能会因此而大不相同。概率方法，如高斯过程，“免费”为您提供，因为它们返回可能的未来值的概率分布。使用经典统计方法，您将不得不依赖自举技术。

有许多提供统计和机器学习工具的 Python 库，以下是我最熟悉的：

  • NumPy和SciPy是 Python 科学编程的必备工具
  • R 有一个 Python 接口，称为RPy
  • statsmodel包含经典的统计模型技术，包括自回归模型；它与流行的数据分析包Pandas配合得很好
  • scikits.learn、MDP、MLPy、Orange是机器学习算法的集合
  • PyMC实现贝叶斯统计模型和拟合算法的 python 模块，包括马尔可夫链蒙特卡罗。
  • PyBrain包含（除其他外）前馈和循环神经网络的实现
  • 在Gaussian Process 站点有一个 GP 软件列表，包括两个 Python 实现
  • mloss是一个开源机器学习软件的目录
于 2010-09-05T20:40:09.173 回答
5

我对 python 库一无所知，但是 R 中有很好的预测算法是开源的。有关时间序列预测的代码和参考，请参阅预测包。

于 2010-08-28T02:28:11.793 回答
5

两种方法

有两种方法可以处理分类、回归、聚类、预测和相关任务的时间结构化输入：

  1. 专用时间序列模型：机器学习算法直接结合了此类时间序列。这样的模型就像一个黑匣子，很难解释模型的行为。示例是自回归模型。
  2. 基于特征的方法：在这里，时间序列被映射到另一个可能更低维的表示。这意味着特征提取算法计算特征，例如时间序列的平均值或最大值。然后将这些特征作为特征矩阵传递给“正常”机器学习，例如神经网络、随机森林或支持向量机。这种方法的优点是可以更好地解释结果。此外，它使我们能够使用完善的监督机器学习理论。

tsfresh 计算大量特征

python 包tsfresh从包含时间序列的 pandas.DataFrame 计算大量此类特征。您可以在http://tsfresh.readthedocs.io找到它的文档。

在此处输入图像描述

免责声明：我是 tsfresh 的作者之一。

于 2016-10-27T14:49:24.580 回答
4

只谈它们背后的算法，我最近在一个项目中使用了双指数平滑，当数据有趋势时，它通过预测新值做得很好。

实现非常简单，但是对于您的情况，该算法可能没有充分阐述。

于 2010-08-30T19:05:56.363 回答
4

您是否尝试过自相关来查找时间序列中的周期性模式？您可以使用numpy.correlate函数来做到这一点。

于 2010-09-02T18:11:46.970 回答
2

数据处理的分组方法被广泛用于预测财务数据。

于 2012-05-07T07:24:15.963 回答
1

如果您想了解使用 Python 进行时间序列预测，那么下面的链接非常有帮助。

https://github.com/ManojKumarMaruthi/Time-Series-Forecasting

于 2019-08-09T10:27:42.490 回答