Cómo definir tren y prueba de los conjuntos financieros las series de tiempo para estimar los parámetros de la máquina de aprendizaje

Question

Después de la lectura de algún material, he encontrado pocas opciones para la definición de tren y conjuntos de la prueba:

1. Acaba de romper con ningún cambio.
2. La acumulación de desplazamiento de la ventana del tren.
3. Dejar un relativamente pequeño (calentamiento) el período de tiempo entre la prueba y conjuntos de tren, y, a continuación, utilizar de nuevo la ventana (incluyendo el período de calentamiento).

¿Cuál debería ser la forma más precisa para la aplicación de algoritmos de aprendizaje automático y parámetros de estimación?

Answer 1

Si todavía estás buscando información referente a las financieras de series de tiempo y de aprendizaje de la máquina, usted puede ser que desee comprobar hacia fuera este artículo del Journal of Economic Perspectives, lo que da una gran visión de conjunto de las diversas ML métodos relacionados a la Economía/Finanzas.

Esencialmente, el principal problema que tiene es que la mayoría de la tradicional máquina de técnicas de aprendizaje de acuerdo con datos de corte transversal ", donde de forma independiente de datos distribuida es una suposición plausible" (citado de dicho artículo). Sin embargo, puesto que con el Tiempo Financiero de la Serie que, por lo general, no puede hacer esa suposición, es mejor tomar un enfoque totalmente diferente de la 'ole Entrenamiento/Prueba de split-'em-up. Su mejor apuesta--como se menciona en ese artículo (en Serio, es muy bueno)--se puede leer en Bayesiano Estructurales de Series de Tiempo (BFTS) (brevemente mencionados en ese artículo que debería ser de lectura por ahora y se describen en más detalle aquí y, bueno, yo no tengo las repeticiones para un tercer enlace...).

Ahora, si usted está buscando para hacer algo de run-of-the-mill Series de Tiempo de estimación puede conformarse con elegir-el-modelo-con-la-menor-de-ejemplo-RMSE enfoque. Sin embargo, lo que puede causar que usted pierda todo su "Aprendizaje automático" nombre de caer privilegios. Sólo una advertencia...

Buena suerte!

Answer 2

En general la validación cruzada es uno de los métodos para la evaluación de un modelo mediante la división de los datos en tren y prueba de conjuntos de datos. Dejar-uno-fuera de validación cruzada , se divide el conjunto de datos, dicen los n puntos de datos como (n-1) para los datos del tren y de la prueba en el enésimo punto de datos. este proceso se repite hasta que cada punto de datos sirve como una prueba de punto de datos. Esto asegura la equidad en la división de los datos de entrenamiento y la evaluación rigurosa de la modelo.