ML：机器学习算法中—因子模型(多变量)、时序模型/时间序列模型(主要以单变量)算法对比的简介、带有时序性的因子模型概述、案例应用之详细攻略

因子模型和时序模型/时间序列模型算法的简介

1、因子模型(多变量)和时序模型/时间序列模型(主要以单变量)算法的概述

因子模型(多变量)

时间序列模型(主要以单变量)

简介

因子模型是从变量之间的线性关系出发，寻找共同因子，进而将变量分解为几个因子的线性组合。在实际应用中，关系也包括非线性。

主要是机器学习算法，如LiR、RF、LightGBM等算法；

时间序列模型则是从时间的角度出发，通过对历史数据的分析和拟合，建立对未来的预测模型。

主要是传统的统计模型，如ARIMA模型；

特点

利用对目标变量有相关性和影响力的各种数据，也包括历史过往数据。

主要采用历史过往数据，建模预测；

数据要求

通常包含较多的变量：因子模型需要变量之间存在线性关系。

只针对一个时间序列变量：时间序列模型需要数据满足平稳性等条件。

模型精度

大多数情况效果还可以，但是当数据的假设条件不满足时，预测结果可能会很差；

预测精度相对较高；

决策指导

有指导意义

仅提供预测，无指导意义

经验

在实践过程中，经常会把因子模型和时间序列模型，这两种模型进行综合使用，来实现各种任务的预测，并提供指导性意义；但是时间序列模型的预测会把因子模型的驱动因子解释能力稀释掉。

三大结合技术

集成模型—因子-时间序列混合模型—分别建模预测加权：因子模型和时间序列模型分别建模，然后将预测结果结合起来。在这种方法中，因子模型和时间序列模型是独立建模的，然后将两种模型的预测结果进行加权平均或其他组合方法，得到最终的预测结果。这种方法的优点是两种模型各自发挥其长处，可以提高预测精度，缺点是需要在两种模型上分别进行建模和优化，需要耗费更多的时间和精力。

基于特征融合的单一模型：可以考虑将因子模型提取的影响特征与时间序列数据融合，作为时间序列模型的输入特征，以此来提高时间序列模型的预测能力。也可以将时间序列模型的输出作为因子模型的输入因子之一。

采用单一的动态因子模型：动态因子模型结合了因子模型和时间序列模型的特点，考虑了多个变量之间的关系和时间序列的因素，并且可以动态地更新因子和权重。这种方法的优点是在一定程度上解决了静态因子模型和时间序列模型存在的不足，但需要处理好因子动态性的问题。比如BDFM 、DFS-MS 、DFM-MFD 、TV-DFM 等。

2、常见的带有时序性的因子模型概述

动态因子模型

简介

核心原理

BDFM

Bayesian Dynamic Factor Model（BDFM）：BDFM 是一种基于贝叶斯统计学的动态因子模型，可以对因子的动态性进行建模，并可以估计模型参数的不确定性。

基于贝叶斯统计学的动态因子模型。它通过建模因子的动态性，可以在时间上对因子进行建模，并通过贝叶斯推断方法估计模型参数的不确定性。

DFS-MS

Dynamic Factor Model with Markov Switching（DFS-MS）：DFS-MS 是一种基于马尔科夫切换的动态因子模型，可以捕捉因子和时间序列之间的动态关系，并能够应对非线性变化。

基于马尔科夫切换的动态因子模型。它可以捕捉因子和时间序列之间的动态关系，并能够应对非线性变化。该模型假设系统的状态在不同时间段内以马尔科夫链的形式切换，每个状态对应着不同的动态关系。

DFM-MFD

Dynamic Factor Model with Mixed Frequency Data（DFM-MFD）：DFM-MFD 是一种混合频率的动态因子模型，可以处理数据在不同时间尺度上的变化，并能够准确预测较长时间范围内的未来变化。

处理混合频率数据的动态因子模型。它能够处理数据在不同时间尺度上的变化。该模型通过结合不同频率的数据，如高频率和低频率数据，提取出共享的动态因子，并能够准确预测较长时间范围内的未来变化。

TV-DFM

Time-varying Dynamic Factor Model（TV-DFM）：TV-DFM 是一种基于时间变化的动态因子模型，可以根据数据的不同时间段进行因子权重的调整，并能够处理季节性和周期性变化。

核心原理是基于时间变化的动态因子模型。它可以根据数据的不同时间段进行因子权重的调整，以适应数据中的季节性和周期性变化。该模型通过引入时间变化的因子权重，可以更准确地捕捉数据的时间演变特征，并提高预测的准确性。

ML：机器学习算法中—因子模型(多变量)、时序模型/时间序列模型(主要以单变量)算法对比的简介、带有时序性的因子模型概述、案例应用之详细攻略

https://yunyaniu.blog.csdn.net/article/details/130652986

Math/ML：序列监督学习-时间序列数据集/时间序列预测任务的简介(单变量时间序列模型/多变量时间序列模型)、常用算法及其工具、案例应用之详细攻略

https://yunyaniu.blog.csdn.net/article/details/127156732

Math/ML：序列监督学习-时间序列数据集/时间序列预测任务的简介(单变量时间序列模型/多变量时间序列模型)、常用算法及其工具、案例应用之详细攻略

https://yunyaniu.blog.csdn.net/article/details/127156732

ML之MTS：多变量时间序列模型或多特征时间序列模型的简介、常用方法、案例应用之详细攻略

https://yunyaniu.blog.csdn.net/article/details/130715633