R语言集成模型（提升树boosting、随机森林、约束最小二乘法加权平均模型融合分析时间序列数据）算法机器学习人工智能深度学

原文链接：http://tecdat.cn/?p=24148 特别是在经济学/计量经济学中，建模者不相信他们的模型能反映现实。比如：收益率曲线并不遵循三因素的Nelson-Siegel模型，股票与其相关因素之间的关系并不是线性的，波动率也不遵循Garch(1,1)过程，或者Garch(?,?)。我们只是试图为我们看到的现象找到一个合适的描述。
模型的发展往往不是由我们的理解决定的，而是由新的数据的到来决定的，这些数据并不适合现有的看法。有些人甚至可以说，现实没有基本的模型（或数据生成过程）。正如汉森在《计量经济学模型选择的挑战》中写道。

“模型应该被视为近似值，计量经济学理论应该认真对待这一点”

所有的理论都自然而然地遵循 "如果这是一个过程，那么我们就显示出对真实参数的收敛性 "的思路。收敛性很重要，但这是一个很大的假设。无论是否存在这样的过程，这样的真实模型，我们都不知道它是什么。同样，特别是在社会科学领域，即使有一个真正的GDP，你可以认为它是可变的。
这种讨论引起了模型的组合，或者预测未来的组合。如果我们不知道潜在的真相，结合不同的选择，或不同的建模方法可能会产生更好的结果。

模型平均让我们使用 3 种不同的模型对时间序列数据进行预测。简单回归 (OLS)、提升树和随机森林。一旦获得了三个预测，我们就可以对它们进行平均。

# 加载代码运行所需的软件包。如果你缺少任何软件包，先安装。tem <- lappy(c("randomoest", "gb", "quanteg"), librry, charter.oly=T)# 回归模型。 moelm <- lm(y~x1+x2, data=https://www.it610.com/article/f)molrf <- ranmFrst(y~x1+x2, dta=df)mogm <- gb(ata=df, g.x=1:2, b.y=4 faiy ="gssian", tre.comle = 5, eain.rate = 0.01, bg.fratn = 0.5)# 现在我们对样本外的预测。#-------------------------------Tt_ofsamp <- 500boosf <- pbot(df\_new$x1, df\_new$x2)rfft <- pf(df\_new$x1, df\_new$x2)lmt <- pm(df\_new$x1, df\_new$x2)# 绑定预测mtfht <- cbind(bo\_hat, f\_fat, lm_at)# 命名这些列c("Boosting", "Random Forest", "OLS")# 定义一个预测组合方案。# 为结果留出空间。resls <- st()# 最初的30个观测值作为初始窗口# 重新估计新的观测值到达it_inw = 30for(i in 1:leth(A_shes)){ A\_nw$y, mt\_fht,Aeng\_hee= A\_scmes\[i, n_wiow = intwdow )}# 该函数输出每个预测平均方案的MSE。# 让我们检查一下各个方法的MSE是多少。atr <- apy(ma\_ht, 2, fucon(x) (df\_wy - x)^2 )apy(ma\_er\[nitnow:Tou\_o_saple, \], 2, fncon(x) 100*( man(x) ) )

R语言集成模型（提升树boosting、随机森林、约束最小二乘法加权平均模型融合分析时间序列数据）

文章图片

在这种情况下，最准确的方法是提升。但是，在其他一些情况下，根据情况，随机森林会比提升更好。如果我们使用约束最小二乘法，我们可以获得几乎最准确的结果，但这不需要事先选择 Boosting 、Random Forest 方法。继续介绍性讨论，我们只是不知道哪种模型会提供最佳结果以及何时会这样做。
加权平均模型融合预测

文章图片
是你的预测变量，

文章图片
是时间预测

文章图片
，从方法

文章图片
，和

文章图片
例如OLS，

文章图片
提升树和

文章图片
是随机森林。您可以只取预测的平均值：

文章图片

通常，这个简单的平均值表现非常好。
在 OLS 平均中，我们简单地将预测投影到目标上，所得系数用作权重：

文章图片

这是相当不稳定的。所有预测都有相同的目标，因此它们很可能是相关的，这使得估计系数变得困难。稳定系数的一个不错的方法是使用约束优化，即您解决最小二乘问题，但在以下约束下：

文章图片

另一种方法是根据预测的准确程度对预测进行平均化，直到基于一些指标如根MSE。我们反转权重，使更准确的（低RMSE）获得更多权重。

文章图片

您可以绘制各个方法的权重：

文章图片

文章图片

这是预测平均方法。

## 需要的子程序。er <- funcion(os, red){ man( (os - ped)^2 ) }## 不同的预测平均方案##简单rd <- aply(a_at, 1, an)wehs <- trx( 1/p, now = TT, ncl = p)## OLS权重wgs <- marx( nol=(p+1)T)for (i in in_wnow:TT) {wghs\[i,\] <- lm $oefpd <- t(eigs\[i,\])%*%c(1, aht\[i,\] )## 稳健的权重for (i in iitnow:T) {whs\[i,\] <- q(bs\[1:(i-1)\]~ aft\[1:(i-1),\] )$cefprd\[i\] <- t(wihs\[i,\] )*c(1, atfha\[i,\])##基于误差的方差。MSE的倒数for (i in n_no:TT) {mp =aply(aerr\[1:(i-1),\]^2,2,ean)/um（aply(mter\[1:(i-1),\]^2,2,man))wigs\[i,\] <- (1/tmp)/sum(1/tep)ped\[i\] <- t(wits\[i,\] )%*%c(maat\[i,\] )##使用约束最小二乘法for (i in itd：wTT) {weht\[i,\] <- s1(bs\[1:(i-1)\], a_fat\[1:(i-1),\] )$wigtsred\[i\] <- t(wehs\[i,\])%*%c(aht\[i,\] )##根据损失的平方函数，挑选出迄今为止表现最好的模型tmp <- apy(mt\_fat\[-c(1:iit\_wdow),\], 2, ser, obs= obs\[-c(1:ntwiow)\] )for (i in it_idw:TT) {wghs\[i,\] <- rp(0,p)wihts\[i, min(tep)\] <- 1ped\[i\] <- t(wiht\[i,\] )*c(mht\[i,\] )} }MSE <- sr(obs= os\[-c（1：intiow）\], red= red\[-c（1：itwiow）\])

文章图片

最受欢迎的见解
1.在python中使用lstm和pytorch进行时间序列预测
2.python中利用长短期记忆模型lstm进行时间序列预测分析
3.使用r语言进行时间序列（arima，指数平滑）分析
4.r语言多元copula-garch-模型时间序列预测
5.r语言copulas和金融时间序列案例
6.使用r语言随机波动模型sv处理时间序列中的随机波动
7.r语言时间序列tar阈值自回归模型
8.r语言k-shape时间序列聚类方法对股票价格时间序列聚类
【R语言集成模型（提升树boosting、随机森林、约束最小二乘法加权平均模型融合分析时间序列数据）】9.python3用arima模型进行时间序列预测