我试图掌握如何使用机器学习来预测未来的金融时间序列 1 步或更多步。

我有一个包含一些描述性数据的金融时间序列，我想建立一个模型，然后使用该模型来预测 n 步。

到目前为止我一直在做的是：

getSymbols("GOOG")

GOOG$sma <- SMA(Cl(GOOG))
GOOG$range <- GOOG$GOOG.High-GOOG$GOOG.Low

tail(GOOG)

           GOOG.Open GOOG.High GOOG.Low GOOG.Close GOOG.Volume GOOG.Adjusted     sma range
2013-05-07    863.01    863.87   850.67     857.23     1959000        857.23 828.214 13.20
2013-05-08    857.00    873.88   852.91     873.63     2468300        873.63 834.232 20.97
2013-05-09    870.84    879.66   868.23     871.48     2200600        871.48 840.470 11.43
2013-05-10    875.31    880.54   872.16     880.23     1897700        880.23 848.351  8.38
2013-05-13    878.89    882.47   873.38     877.53     1448500        877.53 854.198  9.09
2013-05-14    877.50    888.69   877.14     887.10     1579300        887.10 860.451 11.55

然后我为这些数据拟合了一个 randomForest 模型。

fit <- randomForest(GOOG$GOOG.Close ~ GOOG$sma + GOOG$range, GOOG)

这似乎非常适合：

> fit

Call:
 randomForest(formula = GOOG$GOOG.Close ~ GOOG$sma + GOOG$range,      data = GOOG) 
               Type of random forest: regression
                     Number of trees: 500
No. of variables tried at each split: 1

          Mean of squared residuals: 353.9844
                    % Var explained: 97.28

并试图用它来预测：

predict(fit, GOOG, n.ahead=2)

但是这个对c的预测并没有奏效。

我尝试预测收盘价，在拟合模型之前，我是否应该将其他变量滞后于我想要的预测步数？

可能还有很多其他的东西我也应该考虑在内，但这些确实是我尝试机器学习的第一步。