使用神经网络预测MATLAB R2015b中的金融时间序列（实际输出和预测输出之间的滞后）

Question

假设DD是时间序列数据（一列和X行）。我将11个样本与数据末尾分离为样本外，并通过MATLAB训练神经网络。神经网络的性能在训练，测试和验证数据中是很好的（拟合应用神经网络的默认属性：fitnet）。

for ii = 31 : (numel(DD)-1) 
    D_0(ii-30,1) = DD(ii-0); 
    D_1(ii-30,1) = DD(ii-1); 
    D_2(ii-30,1) = DD(ii-2); 
    D_3(ii-30,1) = DD(ii-3); 
    D_4(ii-30,1) = DD(ii-4); 
    D_5(ii-30,1) = DD(ii-5); 
    D_6(ii-30,1) = DD(ii-6); 
    D_7(ii-30,1) = DD(ii-7); 
    D_14(ii-30,1) = DD(ii-14); 
    D_30(ii-30,1) = DD(ii-30); 

    D_plus_1(ii-30,1) = DD(ii+1); 
end 

x = [D_0 D_1 D_2 D_3 D_4 D_5 D_6 D_7 D_14 D_30]'; 
t = D_plus_1'; 


%% Out-of-sample data 

x_oos = x(:,end-10:end); 
t_oos = t(:,end-10:end); 

x(:,end-10:end) = []; 
t(:,end-10:end) = []; 

    hiddenLayerSize = 5; 
    trainFcn = 'trainlm'; % Levenberg-Marquardt backpropagation. 

    net = fitnet(hiddenLayerSize,trainFcn); 

    net.input.processFcns = {'removeconstantrows','mapminmax'}; 
    net.output.processFcns = {'removeconstantrows','mapminmax'}; 

    net.divideFcn = 'dividerand'; % Divide data randomly 
    net.divideMode = 'sample'; % Divide up every sample 
    net.divideParam.trainRatio = 70/100; 
    net.divideParam.valRatio = 15/100; 
    net.divideParam.testRatio = 15/100; 

    % Choose a Performance Function 
    % For a list of all performance functions type: help nnperformance 
    net.performFcn = 'mse'; % Mean Squared Error 
    [net,tr] = train(net,x,t); 

x是神经网络的输入和t是神经网络的输出（目标）。训练结束后，我用这个代码来预测出样本数据的结果：

y_Out = net(x_oos); 

这是真正的比较和预测外的样本数据的输出：

但我认为两个输出之间存在滞后。现在，随着一步滞后检查：

为什么我们在外面的样本数据的这种行为？我检查了样本的不同时间长度，并且我们有相同的行为（一个步骤滞后）。这是数据行为吗？

PS。

所有数据（x变量作为训练的网络的输入，并用t变量进行比较）作为训练的神经网络的输入：

有所有数据作为输入之间存在滞后！用这种数据训练的神经网络滞后于数据！这是一个错误？这是近两年的每日时间序列，没有任何缺失数据。

Answer 1

您的网络没有问题。发生的事情是你的网络正在退化成一个天真的预测器（查看它）;即：它不能解决您的输入和输出之间的关系...