মাল্টিভিয়ারেট সময় সিরিজের পূর্বাভাসের জন্য ভেক্টর রিগ্রেশনকে সমর্থন করুন

Question

সমর্থন ভেক্টর রিগ্রেশন ব্যবহার করে কেউ কি সময় সিরিজের পূর্বাভাসের চেষ্টা করেছে?

আমি সমর্থন ভেক্টর মেশিনগুলি বুঝতে পারি এবং সমর্থন ভেক্টর রিগ্রেশন আংশিকভাবে বুঝতে পারি, তবে কীভাবে তারা সময় সিরিজ, বিশেষত মাল্টিভারিয়েট টাইম সিরিজ মডেল করতে ব্যবহৃত হতে পারে তা আমি বুঝতে পারি না।

আমি কয়েকটি কাগজপত্র পড়ার চেষ্টা করেছি, তবে সেগুলি খুব উচ্চ স্তরের। বিশেষত মাল্টিভারিয়েট টাইম সিরিজের ক্ষেত্রে কীভাবে তারা কীভাবে কাজ করবে তা কী কেউ ব্যাখ্যা করতে পারেন?

সম্পাদনা: কিছুটা বিস্তারিত জানাতে, আমাকে স্টক প্রাইসের উদাহরণ দিয়ে ব্যাখ্যা করার চেষ্টা করা যাক।

বলুন আমাদের কাছে এন দিনের জন্য স্টক মূল্য রয়েছে। তারপরে, প্রতিটি দিনের জন্য আমরা একটি বৈশিষ্ট্য ভেক্টর তৈরি করতে পারি, যা সাধারণ ক্ষেত্রে, আগের দিনের দাম এবং বর্তমান দিনের দাম হতে পারে। প্রতিটি বৈশিষ্ট্য ভেক্টরের প্রতিক্রিয়া পরের দিনের দাম হবে। সুতরাং, গতকালের দাম এবং আজকের দাম দেওয়া উদ্দেশ্য হ'ল পরের দিনের দামের পূর্বাভাস দেওয়া। আমি যা বুঝতে পারি না তা হ'ল আমাদের কাছে ছয় মাসের প্রশিক্ষণের ডেটা রয়েছে, আপনি কীভাবে সাম্প্রতিক ফিচার ভেক্টরগুলিকে আরও বেশি গুরুত্ব দেবেন?

Comments

আপনি যে কাগজপত্রগুলি উল্লেখ করছেন সেগুলি পোস্ট করতে পারেন?

— রাম আহলুওয়ালিয়া

একজন স্থানীয় সাপোর্ট ভেক্টর রিগ্রেশন মেশিন রডরিগো ফার্নান্দেজের সঙ্গে টাইম সিরিজ প্রেডিক্টিং svms.org/regression/Fern.pdf আর্থিক টাইম সিরিজ পূর্বাভাস দেওয়ার জন্য সাপোর্ট ভেক্টর রিগ্রেশন, ওয়েই হাও এবং Songnian ইয়ু, springerlink.com/index/946802600u4552m8.pdf

— গল্প-কথক

Answer 1

সমর্থন ভেক্টর রিগ্রেশন প্রসঙ্গে, আপনার ডেটা টাইম সিরিজ হ'ল এই বিষয়টি মূলত একটি পদ্ধতিগত দিক থেকে প্রাসঙ্গিক - উদাহরণস্বরূপ, আপনি কে-ফোল্ড ক্রস বৈধকরণ করতে পারবেন না, এবং ব্যাকসেট চলাকালীন আপনাকে সতর্কতা অবলম্বন করা দরকার / সিমিউলেশন।

মূলত, সমর্থন ভেক্টর রিগ্রেশন অন্যান্য বৈষম্যমূলক রিগ্রেশন প্রযুক্তির মতো একটি বৈষম্যমূলক রিগ্রেশন কৌশল। আপনি এটিকে ইনপুট ভেক্টর এবং সম্পর্কিত প্রতিক্রিয়াগুলির একটি সেট দেন এবং কোনও নতুন ইনপুট ভেক্টর প্রদত্ত প্রতিক্রিয়াটি চেষ্টা করার এবং পূর্বাভাস দেওয়ার জন্য এটি একটি মডেল ফিট করে। অন্যদিকে, কার্নেল এসভিআর শেখার পদক্ষেপের আগে আপনার ডেটা সেটটিতে অনেকগুলি রূপান্তরগুলির একটি প্রয়োগ করে। এটি উদাহরণস্বরূপ লিনিয়ার রিগ্রেশন-এর বিপরীতে ডেটা সেটে ননলাইনার ট্রেন্ডগুলি তুলতে দেয়। শুরু করার জন্য একটি ভাল কার্নেল সম্ভবত গাউসিয়ান আরবিএফ হবে - এটির একটি হাইপারপ্যারামিটার আপনি টিউন করতে পারেন, তাই কয়েকটি মান ব্যবহার করে দেখুন। এবং তারপরে যখন আপনি কী অনুভব করছেন তখন আপনি অন্য কার্নেলগুলি চেষ্টা করে দেখতে পারেন।

${\bf x}$$x_i$$y_i$${\bf x_t}$$y_t$, (বলুন) পরের সপ্তাহে ফিরে আসবে stock সুতরাং, আপনার এসভিআর বর্তমান এমএ স্প্রেড এবং 20 দিনের ভোলের উপর ভিত্তি করে কীভাবে নিম্নলিখিত সপ্তাহের রিটার্ন পূর্বাভাস দিতে শিখেছে। (এই কৌশলটি কার্যকর হবে না, সুতরাং খুব উত্তেজিত হয়ে উঠবেন না;))।

আপনি যে কাগজপত্রগুলি পড়েছিলেন তা যদি খুব কঠিন হয় তবে আপনি সম্ভবত কোনও এসভিএম বাস্তবায়নের চেষ্টা করতে চান না, কারণ এটি জটিল হতে পারে। আইআইআরসিতে আর এর জন্য একটি "কার্নলব" প্যাকেজ রয়েছে যার মধ্যে একটি কার্নেল এসভিএম বাস্তবায়ন রয়েছে যার মধ্যে বেশ কয়েকটি কার্নেল অন্তর্ভুক্ত রয়েছে, যাতে এটি উঠতে এবং চালানোর জন্য দ্রুত উপায় সরবরাহ করে।

Comments

@ জেসন, প্রতিক্রিয়াটির জন্য ধন্যবাদ। প্রশিক্ষণের সময় পুরানো ডেটা কীভাবে কম গুরুত্বপূর্ণ করা যায় তা নিয়ে আমি বিভ্রান্ত হয়েছি, অর্থাৎ শেষের 10,000 টি উদাহরণের চেয়ে শেষেরটিকে 100 টি উদাহরণকে কীভাবে গুরুত্বপূর্ণ বলা যায়। এছাড়াও, পাইথনে এসভিএমগুলির সাথে কাজ করার আমার কিছু অভিজ্ঞতা আছে, তাই আমি এটি ব্যবহার করতে চাই।

— রনকটিয়র

আপনি আপনার বৈশিষ্ট্য ভেক্টর হিসাবে অতীতের সমস্ত ডেটা সত্যিই ব্যবহার করতে পারবেন না; আপনাকে এটিকে কোনওভাবে অর্থবহ বৈশিষ্ট্যে রূপান্তর করতে হবে। উদাহরণস্বরূপ, সময় সিরিজের অতীতের 20 টি মান বা চলমান গড় দ্বারা বিভাজিত সিরিজের বর্তমান মান বিবেচনা করুন। এগুলি এমন বৈশিষ্ট্য যা একটি সাধারণ সংখ্যায় ডেটা সেটের একটি আমদানি বৈশিষ্ট্য নির্দেশ করে। (বলুন) 10 বা আরও এমন বৈশিষ্ট্য নিয়ে আসুন যা আপনি মনে করেন যতটা সম্ভব ভবিষ্যদ্বাণীপূর্ণ হবে। সুতরাং পুরানো ডেটা কম গুরুত্বপূর্ণ করার জন্য, আপনার বৈশিষ্ট্যগুলি সংজ্ঞায়িত করার সময় আপনি এটি কম গুরুত্বপূর্ণ করে তুলবেন (অর্থাত্ সংক্ষিপ্ত চলন গড় ব্যবহার করুন)

— উইলিয়াম

@ জেসন, আমাকে একটি স্টক দামের উদাহরণ দিয়ে ব্যাখ্যা করার চেষ্টা করুন। বলুন আমাদের কাছে এন দিনের জন্য স্টক মূল্য রয়েছে। তারপরে, প্রতিটি দিনের জন্য আমরা একটি বৈশিষ্ট্য ভেক্টর তৈরি করতে পারি, যা সাধারণ ক্ষেত্রে, আগের দিনের দাম এবং বর্তমান দিনের দাম হতে পারে। প্রতিটি বৈশিষ্ট্য ভেক্টরের প্রতিক্রিয়া পরের দিনের দাম হবে। সুতরাং, গতকালের দাম এবং আজকের দাম দেওয়া উদ্দেশ্য হ'ল পরের দিনের দামের পূর্বাভাস দেওয়া। আমি যা বুঝতে পারি না তা হ'ল আমাদের কাছে ছয় মাসের প্রশিক্ষণের ডেটা রয়েছে, আপনি কীভাবে সাম্প্রতিক ফিচার ভেক্টরগুলিকে আরও বেশি গুরুত্ব দেবেন?

— রনকটিয়ার

ওহ আমি এখন আপনি কি বলতে চাইছেন। সংক্ষিপ্ত উত্তরটি হ'ল, আপনি সাধ্যের ধারণাটি বোঝার জন্য কমপক্ষে এসভিএম পুনরায় কল্পনা না করেই পারবেন না। একটি এসভিএম xy জোড়া হিসাবে অর্ডার করা জাই জোড়গুলির ক্ষেত্রে সংজ্ঞায়িত করা হয়, এবং তাই এটি উদ্দেশ্যযুক্ত কার্যটি কম করে বলেছে জোড়াগুলির একটি ফাংশন। ওটিও, আপনি বেশ কয়েকটি পৃথক এসভিএম চালাতে পারেন, একটি গত মাসের সাথে একটি, গত বছরের সাথে একটি এবং একটি গত দু'বছরের সাথে - এবং তারপরে সাম্প্রতিক বনামের জন্য আপনার ব্যক্তিগত পছন্দের ভিত্তিতে আপনি যে প্রতিক্রিয়াগুলি ফিরে পেয়েছেন তার একটি ভারী গড় করতে পারেন পুরানো ডেটা (যেমন 0.7 * গত মাসে + 0.2 * গত বছর + 0.1 * গত 2 বছর)।

— উইলিয়াম

@ উইলিয়াম .. এসভিএম ব্যতীত টাইম সিরিজের পূর্বাভাসের জন্য (যিনি একই ধরণের সমস্যাটি জিজ্ঞাসা করেছিলেন) মেশিন লার্নিং অ্যালগরিদমগুলি সবচেয়ে ভাল হবে সে সম্পর্কে আপনার কোনও সুপারিশ আছে? বিভিন্ন ডোমেনে প্রয়োগ করার সময় উত্তরটি কী আলাদা হবে? যেমন স্টক মূল্য বনাম সরবরাহ শৃঙ্খলের পূর্বাভাস (আমরা যে পণ্য বিক্রি করছি তার চাহিদা পূর্বাভাস) ..

— লাম

Answer 2

জিজ্ঞাসা করা প্রশ্নে আমার ব্যক্তিগত উত্তরটি হ্যাঁ "হ্যাঁ"। আপনি এটিকে প্রো বা কন হিসাবে দেখতে পাচ্ছেন যে অতীত বর্ণনা করার জন্য বৈশিষ্ট্যগুলির সীমাহীন সংখ্যক পছন্দ রয়েছে features বাজার সবেমাত্র কী করেছে তার সাথে আপনি কীভাবে সংক্ষিপ্তভাবে বর্ণনা করতে পারেন তার সাথে মিল রেখে এমন বৈশিষ্ট্যগুলি বেছে নেওয়ার চেষ্টা করুন [উদাহরণস্বরূপ "দাম 1.4 এ রয়েছে "আপনাকে অন্য কিছু সংখ্যার সাথে সম্পর্কিত না হলে আপনাকে কিছুই বলে না]। এসভিএমের লক্ষ্য হিসাবে, সবচেয়ে সহজ হ'ল দামগুলির মধ্যে পার্থক্য এবং টানা দুই দিন দামের অনুপাত। এগুলি যেমন একটি অনুমানমূলক বাণিজ্যের ভাগ্যের সাথে সরাসরি মিলে যায় তাই এগুলি ভাল পছন্দ বলে মনে হয়।

জেসনের প্রথম বিবৃতিতে আমাকে প্যাডেন্টলি অসম্মতি জানাতে হবে: আপনি রনকটিয়র দ্বারা বর্ণিত মত পরিস্থিতিতে কে-ফোল্ড ক্রস-বৈধকরণ করতে পারেন এবং এটি দরকারী (একটি প্রোভিসো সহ আমি ব্যাখ্যা করব)। এটি পরিসংখ্যানগতভাবে বৈধ হওয়ার কারণ হ'ল এই ক্ষেত্রে লক্ষ্যটির দৃষ্টান্তগুলির সাথে কোনও আন্তঃসত্ত্বিক সম্পর্ক নেই: এগুলি হ'ল পার্থক্য বা অনুপাত j আপনি যদি লক্ষ্যগুলির স্কেলের চেয়ে উচ্চতর রেজোলিউশনে ডেটা ব্যবহারের পরিবর্তে চয়ন করেন তবে এমন উদ্বেগের কারণ থাকতে পারে যে প্রশিক্ষণ সেট এবং বৈধতা সেটগুলিতে পারস্পরিক সম্পর্কযুক্ত উদাহরণগুলি উপস্থিত হতে পারে, যা ক্রস-বৈধকরণের সাথে আপস করবে (বিপরীতে, প্রয়োগ করার সময়) এসভিএম আপনার কোনও নজির উপলভ্য হবে না যার লক্ষ্যমাত্রাগুলি আপনার আগ্রহী সেটির ওভারল্যাপ করে)।

ক্রস-বৈধকরণের কার্যকারিতা হ্রাসকারী জিনিসটি যদি সময়ের সাথে সাথে বাজারের আচরণ পরিবর্তন হয়। এটি মোকাবেলার জন্য দুটি সম্ভাব্য উপায় রয়েছে। প্রথমটি হ'ল সময়কে একটি বৈশিষ্ট্য হিসাবে অন্তর্ভুক্ত করা (আমি এটি খুব দরকারী হিসাবে খুঁজে পাইনি, সম্ভবত ভবিষ্যতে এই বৈশিষ্ট্যের মানগুলি সমস্ত নতুন)। একটি ভাল-অনুপ্রেরণিত বিকল্প হ'ল ওয়াক-ফরোয়ার্ড বৈধতা (যার অর্থ সময়ের স্লাইডিং উইন্ডোতে আপনার পদ্ধতিটি পরীক্ষা করা, এবং এই উইন্ডোর ঠিক পরে সময়কালে এটি পরীক্ষা করা time সময়ের সাথে সাথে আচরণ যদি পরিবর্তিত হয়, তবে নীল বোহরকে দায়ী করা উক্তিটি " ভবিষ্যদ্বাণী করা খুব কঠিন, বিশেষত ভবিষ্যৎ সম্পর্কে "বিশেষভাবে উপযুক্ত। সাহিত্যে এমন কিছু প্রমাণ রয়েছে যে আর্থিক বাজারগুলির আচরণ সময়ের সাথে সাথে পরিবর্তিত হয়, সাধারণত আরও দক্ষ হয়ে ওঠে,

শুভকামনা!

Comments

আমাদের সাইটে স্বাগতম!

— কেজেটিল বি হলওয়ার্সন

Answer 3

আর্থিক সিরিজের পূর্বাভাসের জন্য এসভিএম ব্যবহারের জন্য কোয়ান্টাম ফিনান্সিয়ারের একটি উদাহরণ রয়েছে । এটি সহজেই কোনও শ্রেণিবদ্ধকরণ সিস্টেম (লং / শর্ট) থেকে কোনও রিগ্রেশন সিস্টেমে রূপান্তরিত হতে পারে।

Comments

প্রিয় ODশ্বর দয়া করে কেউ সেই কৌশলটি ব্যবহার করেন না! কিভাবে নতুনদের ওয়াল ST দ্বারা স্মোকড পেতে যে :( বই প্রাচীনতম কৌতুক আরএসআই মত কিছু মৌলিক প্রযুক্তিগত বিশ্লেষণ ব্যবহার করে একটি পরিসংখ্যান মডেল retrofitting তাই newbs মনে করি তারা সোনা তাড়িত করেছি।

— উইলিয়াম

আসল পোস্ট থেকে জেসন "আমি আরও পরিষ্কার করে দিতে চাই যে আমি ভাবি না যে এটি একটি ভাল ব্যবস্থা।" যাইহোক, কোনও সময়ের সিরিজে সাপোর্ট ভেক্টর মেশিনকে কীভাবে ফিট করা যায় তার এটি একটি উত্তম উদাহরণ।

— জাচ