适用于多条件变量的机器学习算法？

Question

我正在研究经济数据，解释有关经济周期的行业行为。对于每个行业，我都有30个独立因素。我Y解释变量是每周股票回报。因素特征是：

• 有些与Y相关，并善于解释我的Y的短期噪音。因此，它们在线性模型中表现得相当不错。
• 有些在特定时期具有重要意义，因此当我通过卡尔曼滤波估计进行动态估计时，它们在几个月或一年内都很重要。
• 最后，当通过配对调整甚至三重调节工作时，有些人似乎需要进行样本补充。 （Y非常显着为负，例如当x1为正且x2为负时，但在任何其他情况下均不显着）。

我在最后一种类型（多案例特定变量）中以强大的方式进行moddeling。我考虑使用SVM，神经网络或树算法，但我不确定它现在是最好的。

我的问题是：您建议使用什么算法来解释第三类现象？您会建议使用什么算法（如果有的话）来解释其中的3个？

Answer 1

您是否正在尝试发现功能对和三元组？我用随机森林攻击第三个;这些协会应该在“成功”和“成功”中表现出紧密联系。树木。您还可以尝试减少功能;与其他一个或两个密切相关的变量将被支配和删除。

另外，您是否考虑过FFT（快速傅里叶变换）来分析观测中的循环噪声？

我不推荐任何一种算法来解释这三种现象。首先，您还没有给我们任何描述数据形状和纹理的信息。其次，可用的分析模型几乎肯定过于简单和通用，无法一次性执行如此深入的分析。