OFTER：一种时间序列预测的在线流水线
机器学习
2023-04-11 v1 机器学习
统计金融
统计方法学
摘要
我们介绍 OFTER，一种为中规模多元时间序列量身定制的时间序列预测流水线。OFTER 利用 k近邻与广义回归神经网络的免参数模型，并与降维组件相集成。为规避维数灾难，我们采用基于修正版最大相关系数之加权范数。我们引入的流水线专为在线任务设计，具有可解释的输出，并能够胜过若干 SOTA 基线。该算法的计算效能、其在线特性，以及其在低信噪比环境下运行的能力，使 OFTER 成为金融多元时间序列问题(如每日权益预测)的理想方法。我们的工作表明，尽管深度学习模型在时间序列预测方面前景广阔，但精心集成主流工具的传统方法仍是极具竞争力的替代方案，并附带可扩展性与可解释性的额外优势。
引用
@article{arxiv.2304.03877,
title = {OFTER: An Online Pipeline for Time Series Forecasting},
author = {Nikolas Michael and Mihai Cucuringu and Sam Howison},
journal= {arXiv preprint arXiv:2304.03877},
year = {2023}
}
备注
26 pages, 12 figures