文章 "数据科学与机器学习（第24部分）：使用常规AI模型进行外汇时间序列预测"

MetaQuotes 2025.01.07 09:34

在外汇市场中，如果不了解过去的情况，就很难预测未来的趋势。很少有机器学习模型能够通过考虑过去的数据来做出未来预测。在本文中，我们将讨论如何使用经典（非时间序列）人工智能模型来战胜市场。

与我们之前文章中讨论的线性回归、支持向量机（SVM）、神经网络（NN）等其他经典机器学习模型不同，这些模型旨在确定特征变量之间的关系，并根据这些学习到的关系进行未来预测——时间序列模型则基于先前观察到的值来预测未来值。

这种方法上的差异意味着时间序列模型是专门设计来处理顺序数据中固有的时间依赖性和模式。时间序列预测模型，如ARIMA、SARIMA、指数平滑、循环神经网络（RNN）、长短期记忆网络（LSTM）和门控循环单元（GRU），利用历史数据来预测序列中的未来点，捕捉趋势、季节性和其他时间结构。