多步时间序列预测的分位数深度学习模型
机器学习
2024-11-26 v1 人工智能
统计金融
统计方法学
摘要
不确定性量化是时间序列预测的关键，分位数回归提供了有价值的不确定性量化机制，尤其用于极值预测。尽管深度学习模型在多步预测中占据主导地位，但分位数深度学习模型的开发与评估仍有限。我们提出了一种新的分位数回归深度学习框架，用于多步时间序列预测。如此一来，深度学习模型的能力得到提升，从而提供更细致的预测值理解。我们实现了主流的深度学习模型用于多步时间序列预测，并在高波动性和极端条件下评估其性能。我们包括双变量和单变量建模、策略，并与文献中传统深度学习模型进行比较。我们的模型在两种加密货币：比特币和以太坊的每日收盘价数据以及选取的基准时间序列数据集上进行测试。结果表明，将分位数损失函数与深度学习集成，可在不损失预测精度的情况下为所选分位数提供额外预测。我们的分位数模型能够更有效地处理波动性，通过使用分位数在预测方面提供额外信息和不确定性量化，相较于传统深度学习模型具有优势。
引用
@article{arxiv.2411.15674,
title = {Quantile deep learning models for multi-step ahead time series prediction},
author = {Jimmy Cheung and Smruthi Rangarajan and Amelia Maddocks and Xizhe Chen and Rohitash Chandra},
journal= {arXiv preprint arXiv:2411.15674},
year = {2024}
}