Достижения машинного обучения в прогнозировании временных рядов

Machine learning advances for time series forecasting
Marcelo Cunha Medeiros, Ricardo Masini, Eduardo F. Mendes
2021-07-01

глубокие нейронные сетивысокочастотные финансовые данныештрафованная регрессияобучение с учителемпрогнозирование временных рядов
В этой статье мы рассматриваем наиболее последние достижения в области обучения с учителем (ML) и высокоразмерных моделей для прогнозирования временных рядов. Мы анализируем как линейные, так и нелинейные методы. Среди линейных методов особое внимание уделяется регрессиям с регуляризацией и ансамблям моделей. К нелинейным методам, рассматриваемым в статье, относятся неглубокие и глубокие нейронные сети в их прямом и рекуррентном вариантах, а также методы на основе деревьев, такие как случайные леса и ансамбли деревьев с бустингом. Мы также рассматриваем ансамблевые и гибридные модели, объединяющие компоненты различных подходов. Кратко описываются тесты превосходства прогностической способности. Наконец, мы обсуждаем применение машинного обучения в экономике и финансах и приводим пример использования высокочастотных финансовых данных.
1
Представлен обзор тестов превосходства прогностической способности и пример применения машинного обучения в экономике и финансах на высокочастотных финансовых данных.
2
Среди линейных методов особое внимание уделяется регуляризованным регрессиям и ансамблям моделей для прогнозирования.
3
Рассматриваются нелинейные методы, включая неглубокие и глубокие полносвязные и рекуррентные нейронные сети, случайные леса и бустированные деревья.
4
В статье рассматриваются современные методы контролируемого машинного обучения и высокоразмерные подходы к прогнозированию временных рядов, включая линейные и нелинейные методы.
5
Изучаются ансамблевые и гибридные модели, объединяющие компоненты различных методологических подходов.

Модели прогнозирования временных рядов, включая линейные и нелинейные модели обучения с учителем и высокоразмерные модели

Последние достижения и прогностическая эффективность штрафованных регрессий, ансамблей моделей, нейронных сетей, методов на основе деревьев и гибридных моделей для прогнозирования временных рядов

Publication Details
Publication Date
2021-07-01
Journal
Publisher
ISSN
Cited by
721
Access Type
Author Information
Authors
Marcelo Cunha Medeiros
Ricardo Masini
Eduardo F. Mendes
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%