Статья о прогнозировании

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.

4. 
   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