Статья о прогнозировании

СКО =

∑н^{я=1(йт−я ŷ}

н

т_я) ²
(3)

МАЭ =

₁ н _|
(4)

МАРЕ =

н∑йт− ŷ_я ^т_я^| я=1

∑
¹ н ^{|утя− ŷ |тя} ∗100 (5)

н

я=1
_∑ н
|т_тя|
(


т)2

р2= 1−
я=1йт−яŷ
^я (6)

^∑ня=1(йтя ^{− й)2}
В приведенных выше уравнениях (3)–(_я6),йтистинная цена криптовалюты после нормализации, ŷт пр_яогнозируемое значение,йявляется средним из прогнозируемых значений, инуказывает их количество. Обратите внимание, что метрика R-квадрата подчеркивает дисперсию модели по отношению к общей дисперсии. Следовательно, в отличие от других показателей ошибок, чем выше значение R-квадрата, тем выше производительность модели.

3. 
   Результаты
   

В этом разделе сообщаются результаты экспериментов и сравниваются регрессионные модели с точки зрения точности и времени вычислений. Мы оцениваем как их средние, так и криптоспецифичные показатели. Затем мы изучаем результаты ансамблей и вклад каждой отдельной модели в производительность ансамбля.

1. 
   Индивидуальные модели
   

Стол2показывает среднюю производительность каждой модели, рассчитанную для всех криптовалют.

Модели ранжируются по RMSE в порядке возрастания.
Во-первых, мы наблюдаем, что рейтинг моделей одинаков по всем показателям точности (за очень немногими исключениями). LSTM демонстрирует лучшую производительность с постоянным отрывом от других моделей. Значения каждой метрики довольно близки, поскольку мы вычисляем их на основе нормализованной прогнозируемой цены, а не на основе данных без тренда. Модели рекуррентных нейронных сетей занимают первые три позиции в рейтинге, за ними следуют KNN и подход сверточной сети. Интересно, что ARIMA работает лучше, чем TFT, RF и SVR.
Что касается времени, необходимого для обучения и развертывания моделей, подходы DL, как и ожидалось, дороже по сравнению с машинным обучением и статистическими методами. В целом все модели дают прогнозы за достаточно короткое время, поэтому их можно использовать в некоторых онлайн-конфигурациях. В частности, для обучения и вывода используется ГИБРИД (LSTM-GRU Hybrid в разделе2.1) и TFT самые дорогие соответственно. Напротив, модели ML выполняются значительно быстрее. KNN обеспечивает хороший компромисс между точностью и вычислительными затратами.