怎么预测？

很多人在后台留言说对预测技术很感兴趣，那我就说点基本的普及。

（1）

从技术上来说，分为：

1、机器学习

2、深度学习

3、预训练

（2）

从架构来说：

深度学习分为：

1、MLP架构

2、CNN/RNN架构

3、Transformer架构

4、Mamba架构

预训练模型分为：

1、统一大模型

2、MoE多专家模型

（3）

从任务来说分为：

1、分类

2、聚类

3、预测

4、推理

5、插补

6、异常检测

（4）

从模型可接受的数据能力来说分为：

1、多变量、单变量：如只能接受一个收盘价还是能接受很多因子

2、多序列、单序列：如能多个序列同时输入互相可影响，还是每次只能一个序列

3、多尺度、单一尺度：如只能接受单一日级数据，还是可以同时接受日周月分钟级数据

4、多模态、单模态：如同时能接受新闻文本甚至图片并接受时序数据，还是只能接受单一时序数据

从模型接受的数据集我们也分层去看：

1、如股票数据集：比如中国沪深300成分股、中证500成分股

2、如金融数据集：比如汇率、数字货币

3、如通用数据集：电力、交通、天气

从数据集的使用用途也可分为：

1、测试-验证

2、预训练-微调-后训练-提示模板

从模型的预测能力来说分为：

1、多步预测、单步预测：如一次可生成未来多日预测还是只能预测下一日如此往复

2、点预测、概率分布预测：如一个明确的值还是多个分布区间的值

（5）

预测肯定存在误差，但误差如何科学度量也很有讲究：

1、 MSE（均方误差）：适用于误差分布较为均匀且极端值较少的情况，对大误差的惩罚力度较大

2、RMSE（均方根误差）：与MSE类似，但其单位和量纲与预测变量相同

3、MAE（平均绝对误差）：适用于误差分布中存在较多极端值的情况，对所有误差的惩罚力度相同

4、MASE（平均绝对缩放误差）：适用于不同时间尺度、不同量纲的数据，不受数量级影响

5、MAPE（平均绝对百分比误差）：适用于目标值非零且需要以百分比形式表示误差的场景

6、DA（方向准确性）：适用于需要评估预测值与实际值之间变化方向一致性的场景

预测大多本质是回归原理，有的人解决问题会使用到分类原理（尤其是机器学习/树模型/集成方法），分类常见的评估指标是：

准确率

精确率、召回率、F1

（6）

前沿探索，大家的热点在两个：

1、利用语言大模型的生成能力、新闻内容提示模板来处理时序预测

2、利用语言大模型的深度思考推理能力来处理时序预测

当然，很多人为了发paper在卷时域频域、时间空间，这不是咱们的讨论范围，咱们还是实用、产生实际效果为准。

有人问怎么找学习资料，我告诉大家三个：

1、模型理论：arxiv

2、模型代码：github

3、模型权重：hugging face