在 MATLAB R2015b 中使用神经网络预测金融时间序列（实际输出和预测输出之间的滞后）

Posted 2023-03-12

【中文标题】在 MATLAB R2015b 中使用神经网络预测金融时间序列（实际输出和预测输出之间的滞后）

【英文标题】：Using neural network to predict a financial time series in MATLAB R2015b (lag between real output and predicted output)

【发布时间】：2016-04-18 16:45:56

【问题描述】：

假设DD 是一个时间序列数据（一列和X 行）。我将 11 个样本从数据末尾分离为样本外，并通过 MATLAB 训练神经网络。神经网络在训练、测试和验证数据方面表现良好（拟合app神经网络的默认属性：fitnet）。

for ii = 31 : (numel(DD)-1)
    D_0(ii-30,1) = DD(ii-0);
    D_1(ii-30,1) = DD(ii-1);
    D_2(ii-30,1) = DD(ii-2);
    D_3(ii-30,1) = DD(ii-3);
    D_4(ii-30,1) = DD(ii-4);
    D_5(ii-30,1) = DD(ii-5);
    D_6(ii-30,1) = DD(ii-6);
    D_7(ii-30,1) = DD(ii-7);
    D_14(ii-30,1) = DD(ii-14);
    D_30(ii-30,1) = DD(ii-30);

    D_plus_1(ii-30,1) = DD(ii+1);
end

x = [D_0  D_1  D_2  D_3  D_4  D_5  D_6  D_7 D_14 D_30]';
t = D_plus_1';


%% Out-of-sample data

x_oos = x(:,end-10:end);
t_oos = t(:,end-10:end);

x(:,end-10:end) = [];
t(:,end-10:end) = [];

    hiddenLayerSize = 5;
    trainFcn = 'trainlm';  % Levenberg-Marquardt backpropagation.

    net = fitnet(hiddenLayerSize,trainFcn);

    net.input.processFcns = 'removeconstantrows','mapminmax';
    net.output.processFcns = 'removeconstantrows','mapminmax';

    net.divideFcn = 'dividerand';  % Divide data randomly
    net.divideMode = 'sample';  % Divide up every sample
    net.divideParam.trainRatio = 70/100;
    net.divideParam.valRatio = 15/100;
    net.divideParam.testRatio = 15/100;

    % Choose a Performance Function
    % For a list of all performance functions type: help nnperformance
    net.performFcn = 'mse';  % Mean Squared Error
    [net,tr] = train(net,x,t);

x 是神经网络的输入，t 是神经网络的输出（目标）。训练后，我使用此代码预测样本数据外的结果：

y_Out = net(x_oos);

这是样本外数据的真实输出和预测输出之间的比较：

但我认为两个输出之间存在滞后。现在检查一下，滞后一步：

为什么我们在样本外数据中有这种行为？我检查了样本外的不同时间长度，我们有相同的行为（一步滞后）。这是数据行为吗？

附言。

所有数据（x 变量作为训练网络的输入并与t 变量进行比较）作为训练神经网络的输入：

作为输入的所有数据之间存在滞后！用这种数据滞后训练的神经网络！这是bug吗？！这是近两年的每日时间序列，没有任何缺失数据。

【问题讨论】：

那么滞后时间总是1个时间单位？

@GameOfThrows。是的。确实如此。这是领先一步的预测。

这让我觉得这是一个编程错误，您的 NN 肯定工作正常，但可能在索引或循环的开始/结束时出现错误？我不能确定，但​​如果知道这一点，您可以将数据向后移动 1 个时间单位以获得正确的结果 - 这是手动干预。

不，这不会改变结果，只是解决一个不好的编程习惯。 tmpIdx = -[0 1 2 3 4 5 6 7 14 30]+ii 这就是您想要的索引。 x = DD(tmpIdx) 就足够了

@Adriaan。感谢您的评论和您漂亮的索引程序。

【参考方案1】：

您的网络没有问题。正在发生的事情是您的网络正在退化为一个幼稚的预测器（查找它）；即：它无法解决您的输入和输出之间的关系...

【讨论】：

在此处查看讨论：mathworks.com/matlabcentral/answers/…