金融时间序列预测：在混合机器学习方法中协同性能与可解释性
机器学习
2024-01-02 v1 统计金融
摘要
在加密货币领域，比特币价格预测因其对金融市场和投资策略的潜在影响而备受关注。本文提出了一项关于混合机器学习算法的比较研究，并致力于增强模型的可解释性。具体而言，引入了线性回归 (OLS, LASSO)、长短期记忆网络 (LSTM) 和决策树回归器。通过扎实的实验，我们观察到线性回归器在候选模型中实现了最佳性能。就可解释性而言，我们对时间序列统计的预处理技术进行了系统概述，包括分解、自相关函数和指数三重预测，旨在挖掘金融时间序列预测中出现的潜在关系和复杂模式。我们相信这项工作可能会引起更多关注，并激发时间序列分析及其实际应用领域的更多研究。
引用
@article{arxiv.2401.00534,
title = {Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach},
author = {Shun Liu and Kexin Wu and Chufeng Jiang and Bin Huang and Danqing Ma},
journal= {arXiv preprint arXiv:2401.00534},
year = {2024}
}