Статья о прогнозировании
жүктеу/скачать 301,5 Kb.
|
перевод
- Бұл бет үшін навигация:
- Таблица 1.
- Кепка1 Объем1
| тя— временная метка дня;
ОПтя—цена открытия криптовалютытя; HPт—я самая высокая цена криптовалюты втя; LPтя—самая низкая цена криптовалюты втя;йтя—целевая переменная, то есть цена закрытия криптовалюты натя(что соответствует реагирует на цену открытия следующего дня, т.е.ОПт я+1 "="йтя). В этой статье мы рассматриваем задачу прогнозирования цен на криптовалюту как задачу анализа одномерных временных рядов, и поэтому мы игнорируем ковариаты.ОП,HP, иLP, но они включены в доступный набор предварительно обработанных данных. Мы планируем рассмотреть такие ковариаты в дальнейшей работе. Таблица 1.Подробности о криптовалютах, проанализированных в этой работе. Все цены указаны в долларах США (USD). Кепка1 Объем1
1В миллиардах долларов США (USD). Значения, зафиксированные 31 октября 2022 г. по данным CoinMarketCap [1].2В долларах США (USD). Значения относятся к периоду сбора данных: с 1 июня 2017 г. по 31 мая 2022 г. Предварительная обработка данных При прогнозировании с использованием временных рядов их свойство стационарности имеет решающее значение для эффективного моделирования [5]. Временной ряд, среднее значение и дисперсия которого не меняются со временем, называется стационарным. Напротив, временной ряд, среднее значение, частота и дисперсия которого колеблются во времени и часто демонстрируют высокую волатильность, тренд и гетероскедастичность, называется нестационарным.5]. Обычно традиционные методы статистического прогнозирования, такие как ARIMA, требуют, чтобы временные ряды были стационарными, чтобы успешно фиксировать их свойства.59]; аналогичным образом, стационарность способствует обучению в нестатистических моделях, таких как ML и DL, использованных в этой статье [ 60]. По этим причинам мы проводим расширенный статистический тест Дики-Фуллера (ADF) [61], чтобы определить, являются ли наши наборы данных стационарными. Результаты показывают, что все наборы данных нестационарны, за исключением набора данных XRP. Мы преобразуем наши наборы данных в стационарные наборы данных, применяя удаление тренда, то есть процесс удаления тренда из временного ряда. В частности, мы применяем дифференциальное преобразование, простейший метод удаления тренда, который генерирует новый временной ряд, в котором новое значенией' тя по временной меткетярассчитывается как разница между исходным наблюдение и наблюдениейт я-1 на предыдущем временном шаге, т.е. йт'я"="йт−я й тя-1 (1) Фигура1показывает исходный временной ряд биткойнов желтым цветом, а его дифференциальную версию — красным. Тест ADF, рассчитанный на наборах данных без тренда, подтверждает их стационарность. Еще одним типичным шагом предварительной обработки, который широко применяется для улучшения обучения, является нормализация данных (например, [11]). Мы применяем нормализацию Min-яMax ко всемйткаждого набора данных, чтобы значения отображались в диапазоне (0, 1) в соответствии со следующей формулой: йтя"=" йтя− ймин йМакс− ймин (2)гдеймин"="мин {ут}ийМакс"я="макс{ут}. Чтобы избежатяь утечки,йминийМаксзначения рассчитываются только на основе обучающих данных. жүктеу/скачать 301,5 Kb. Достарыңызбен бөлісу:
| ||||||||||||||||||||||||||||||||||||||||||