Статья о прогнозировании



бет4/8
Дата02.12.2023
өлшемі301,5 Kb.
#194749
түріСтатья
1   2   3   4   5   6   7   8
Байланысты:
перевод

Рисунок 1.Дневная цена закрытия Биткойна с июня 2017 года по май 2022 года. Мы отображаем исходный временной ряд желтым цветом, а лишенный тренда — красным.



    1. Экспериментальная методология

Мы проводили эксперименты с каждым набором данных/крипто по отдельности, используя следующую методологию, одинаковую для всех моделей. Мы выполнили первоначальное временное разделение обучающих тестов для каждого набора данных. Первые 80% данных принадлежали обучающему набору (т.е. данные за четыре года, начиная ст"="1 июня 2017 г.т"="31 мая 2021 г.), а последние 20% данных принадлежали тестовому набору (т. е. данные за один год, начиная ст"="с 1 июня 2021 г. пот"="31 мая 2022 г.). Далее мы разделили набор тестов на двенадцать непересекающихся ежемесячных окон (с июня 2021 года по май 2022 года включительно) и обозначили их какМя,я€ {1, 2, . . . , 12}.
Вдохновлен [62], для оценки каждой модели использовалась поэтапная ежемесячная
стратегия. На первом этапе оценки мы обучили модель на обучающем наборе, выполнили прогнозы и вычислили тестовые метрики (представленные в разделе2,5) наМ1. На втором этапе оценки мы включилиМ1данные в обучающем наборе, и мы переобучили модель с нуля на этом недавно расширенном обучающем наборе. Мы снова выполнили прогнозы и рассчитали тестовые метрики наМ2. Мы повторили тот же процесс для остальных десяти разделов, каждый раз увеличивая обучающую выборку и перемещая окно оценки на один шаг вперед. Обе модели ML и DL имеют гиперпараметры; поэтому мы настроили их только на первом этапе оценки, используя 20% обучающих данных для проверки (оптимизация для MSE), и сохранили их фиксированными до конца оценки. Подробности о гиперпараметрах и пространствах значений приведены в Приложении.АТаблица А1. Мы рассматривали скользящее окно данных за 30 дней в качестве входных данных для расчета прогноза на один шаг вперед. Избегать

переоснащение моделей DL во время обучения, мы применили раннюю остановку и провели эксперименты три раза (усредняя результаты), чтобы учесть случайность при инициализации моделей.



    1. Метрики оценки

Чтобы оценить качество прогнозов модели, мы рассчитали среднеквадратическую ошибку (RMSE), среднюю абсолютную ошибку (MAE), среднюю абсолютную процентную ошибку (MAPE) и оценку R- квадрата (р2) на каждом этапе оценки, описанном в предыдущем разделе, следующим образом:


Достарыңызбен бөлісу:
1   2   3   4   5   6   7   8




©engime.org 2024
әкімшілігінің қараңыз

    Басты бет