如何解决金融时间序列数据预测的"平移现象"

我最近在研究 高频时间序列数据 的 建模和预测,  简单来说 就是 水文 股票或者 汇率 期货 一类 高频时间序列数据

我主要使用 BP  SVM RBF 建模 , 输入数据 通常是 典型的时间序列数据 : 比如 输入 预测点之前几个时间点价位数据, 预测下一个时间点的价位

我遇到的问题是 , 就是 由于 金融类数据类型数据高频和混沌的特征, 导致预测结果和实际值呈现一种"平移现象"和"滞后现象"  ,这个让我很头疼, 如图





"平移现象"  实质上表示 模型 方向性预测非常不明确,所以只好取上下波动的平均值,基本是0波动的值作为预测值,可以说表示模型预测效果相当不理想,没有太多应用价值

我个人用了很多建模方案,尝试破坏这种 平移现象, 大概用了以下一些方法
1 比如 使用 BP 模型时候,使用非常多的神经元和LM 训练算法,进行过度拟合, 预测结果倒是不呈现平移,但是误差增大好几倍
2 使用 FNT 柔性神经树网络 , 预测结果依旧 呈现平移
3 使用 带有参数的激励函数 , 预测结果依旧 呈现平移
4 尝试 使用 一些股票技术指标作为输入参数, 预测结果依旧 呈现平移  
5 使用 SVM  RBF 建模 , 预测结果依旧 呈现平移 要么 过度拟合误差很大
注: 训练集做过 归一化和差分处理


我想  咨询一下 对于 金融时间序列数据或者 非平稳时间序列数据有研究的学者或者老师同学,
应该用什么方法能够在明显扩大误差的情况下,使建立的模型预测结果不呈现"平移现象", 简单来说就是有一定的波动(相对于前一时间点)?
是否应该对训练数据做一些数据预处理?
或者什么其他方案?
希望在这方面有实际研究经验和成果的学者或者学生朋友给一些合适的建议,我愿意拿我一半的论坛币财产重奖有真实价值的指导建议.

相关的讨论也欢迎

直接提供有价值的文献也可

看来问题有点难啊

这么久了, 连一个 相关方面研究的 学者都没有吗, 哪怕是一些讨论也行

不懂

帮顶·~！！！也在也想尝试做点关于高频数据方面的问题，但明显跟LZ不在一层次数，希望多学习~

你这个跟exponential smoothing和基本的arima模型的问题是一样的啦~没那么容易解决的。要是真能解决这个问题，那些个复杂的multivariate模型都不用再混了。虽然我不太明白你说的那些模型。但是看这个结果和arima没啥差别。你那些也是univariate的么？大部分univariate的模型都是这个问题。

这个供你参考。我也学过这本书。
https://encrypted.google.com/url ... mQXZ-fllUD9aa4mrArQ

上面的链接要通过google的。用这个直接的链接吧
webpub.allegheny.edu/employee/b/bafrasia/e460/Masoud.ppt

Mayonnaise 发表于 2012-4-26 10:58
你这个跟exponential smoothing和基本的arima模型的问题是一样的啦~没那么容易解决的。要是真能解决这个问题 ...

对的,其实和你说的问题 很接近
当 时间序列 出于 非平稳状态时候(即便已经做了差分处理),但是 数据特征依旧呈现 "厚尾"状态 , 这时候使用传统的AR  或者 ARIMA 模型,预测出来 基本就是 我上面图这个效果,只不过我这个是用 BP模型实现的罢了

这种预测后平移现象 通常出现在高频时间序列数据中,比如 金融类股票外汇价格时序数据 或者 水文数据等
目前 学术界常使用 GARCH  模型 , 但是在实际应用中 ,虽然  GARCH  模型 预测结果不呈现 平移现象,但是精度较差