[论文解读] Financial Time-Series Forecasting: Towards Synergizing Performance And Interpretability Within a Hybrid Machine Learning Approach

Shun Liu, Kexin Wu+3 more|arXiv (Cornell University)|Dec 31, 2023

Stock Market Forecasting Methods被引用 34

一句话总结

该论文比较了混合机器学习方法用于比特币价格预测，在线性、树和LSTM模型中，Lasso回归在MAE方面表现最佳并且具有较高的预测分数。

ABSTRACT

In the realm of cryptocurrency, the prediction of Bitcoin prices has garnered substantial attention due to its potential impact on financial markets and investment strategies. This paper propose a comparative study on hybrid machine learning algorithms and leverage on enhancing model interpretability. Specifically, linear regression(OLS, LASSO), long-short term memory(LSTM), decision tree regressors are introduced. Through the grounded experiments, we observe linear regressor achieves the best performance among candidate models. For the interpretability, we carry out a systematic overview on the preprocessing techniques of time-series statistics, including decomposition, auto-correlational function, exponential triple forecasting, which aim to excavate latent relations and complex patterns appeared in the financial time-series forecasting. We believe this work may derive more attention and inspire more researches in the realm of time-series analysis and its realistic applications.

研究动机与目标

• 在加密货币市场中实现对比特币价格的准确预测。
• 评估将传统统计方法与机器学习相结合的混合ML方法。
• 通过对预处理和模型选择的分析来提升模型可解释性。
• 确定哪些模型在时间序列预测中兼顾预测性能与可解释性。

提出的方法

• 对比特币价格数据进行归一化与滚动特征统计的预处理。
• 比较多种模型：带移动平均的线性回归、Lasso回归、决策树和长期短期记忆（LSTM）。
• 使用交叉验证和回测来评估性能，指标为MAE和分数。
• 通过网格搜索调优超参数（例如树的深度、叶节点最小样本数）。
• 报告每个模型的定性可解释性见解（决策树、线性回归与正则化回归等）。

实验结果

研究问题

• RQ1 在本设置中，哪种回归或学习模型对比特币收盘价的预测最准确？
• RQ2 正则化（Lasso）是否优于基本线性回归在时间序列预测中的表现？
• RQ3 树模型和神经网络模型在性能与可解释性方面对比比特币价格时如何？

主要发现

• Lasso回归在所比较的模型中实现了最佳的MAE（91.80）。
• 朴素线性回归在一致性方面表现最佳，得分为0.9998。
• 决策树在MAE（135.02）方面表现较差，得分略低（0.9988）。
• 在此设置下，LSTM模型收敛较差，表明数据或模型在此任务上的限制。
• 带移动平均特征的线性回归仍具竞争力，突显数据的时间线性特征。