基于退火特征选择的金融时间序列预测

股市与加密货币预测对投资者极为重要，因为他们力求对其买入或持有策略做出哪怕最微小的改进，以提升盈利能力。然而，获得准确且可靠的预测具有挑战性，需注意准确性并不等同于可靠性，尤其当应用于具有复杂与混沌倾向的金融时间序列预测时。为缓解此复杂性，本研究提供一种基于战术性输入输出特征映射技术、使用机器学习（ML）模型的金融时间序列综合预测方法。在预测过程中，选择相关指标对获得期望结果至关重要。在金融领域，针对此问题的 ML 解决方案关注有限。我们首次在该领域研究使用退火特征选择（FSA），并应用最小绝对收缩与选择算子（Lasso）方法，从由 26 个具有不同时期与滞后的技术分类器得到的超过 1000 个候选特征中选取特征。包装式方法 Boruta（BOR）特征选择被用作比较基线。随后将逻辑回归（LR）、极端梯度提升（XGBoost）与长短期记忆（LSTM）应用于所选特征，使用包含加密货币与股票的 10 个不同金融数据集进行预测。因变量由每日对数收益与趋势构成。以回归的均方误差、受试者工作特征曲线下面积与分类准确率评估模型性能，并使用配对 t 检验检验预测结果的统计显著性。实验表明，无论问题类型如何，FSA 算法均提升了 ML 模型的性能。