tensorflow - 价格预测的时间序列预测(预测问题)

Question

我正在开发一个价格变动预测项目，但我的预测质量很差。

在每个时间步，我都使用 LSTM 来预测接下来的 10 个时间步。输入是最后 45-60 个观测值的序列。我测试了几种不同的想法，但它们似乎都给出了相似的结果。该模型经过训练可以最小化 MSE。

对于每个想法，我尝试了一个每次预测 1 步的模型，其中每个预测都会作为下一个预测的输入反馈，以及一个直接预测接下来 10 个步骤(多个输出)的模型。对于每个想法，我还尝试仅使用先前价格的移动平均值作为输入，并将输入扩展为在这些时间步长输入订单簿。每个时间步长对应一秒。

这些是迄今为止的结果:

1- 第一次尝试使用最后 N 个步骤的移动平均值作为输入，并预测接下来 10 个步骤的移动平均值。在时间 t，我使用价格的真实值并使用模型来预测 t+1....t+10

这就是结果

Predicting moving average

经过仔细检查，我们可以看到出了什么问题:

Prediction seems to be a flat line. Does not care much about the input data.

2) 第二次尝试是试图预测差异，而不仅仅是价格变动。这次的输入不是简单的 X[t](其中 X 是我的输入矩阵)而是 X[t]-X[t-1]。这并没有真正帮助。这次的剧情是这样的:

Predicting differences

但仔细观察，在绘制差异时，预测值基本上始终为 0。

Plot of differences

此时，我被困在这里并运行我们的想法来尝试。我希望在此类数据方面有更多经验的人能够为我指明正确的方向。

我使用正确的目标来训练模型吗？处理此类数据时是否有我遗漏的细节？是否有任何“技巧”可以防止您的模型总是预测与上次看到的值相似的值？ (它们确实会产生较低的错误，但那时它们就变得毫无意义了)。

至少只要提示一下在哪里挖掘更多信息，我们将不胜感激。

谢谢!

Answer 1

Am I using the right objective to train the model?

是的，但是 LSTM 对于预测时间序列总是非常棘手。与其他时间序列模型相比，很容易出现过度拟合。

Are there any details when dealing with this type of data that I am missing?

Are there any "tricks" to prevent your model from always predicting similar values to what it last saw?

我还没有看到您的代码，也没有看到您正在使用的 LSTM 的详细信息。确保您使用的网络非常小，并且避免过度拟合。确保在对数据进行差异化之后，在评估最终预测之前重新整合它。

尝试构建一个直接预测提前 10 步的模型的技巧，而不是构建提前一步模型然后递归预测。