当然，RF 可以识别和建模数据中的长期趋势。但是，当您尝试预测从未见过的值时，问题会变得更加复杂，因为您经常尝试使用时间序列数据。例如，如果看到活动在 1915 年至 2015 年期间呈线性增长，您会预计它在未来会继续这样做。然而，RF 不会做出这样的预测。它将预测所有未来变量的活动与 2015 年相同。

from sklearn import ensemble
import numpy as np
years = np.arange(1916, 2016)
#the final year in the training data set is 2015
years = [[x] for x in years]
print 'Final year is %s ' %years[-1][0]
#say your ts goes up by 1 each year - a perfect linear trend
ts = np.arange(1,101)
est = ensemble.RandomForestClassifier().fit(years,ts)
print est.predict([[2013], [2014], [2015], [2016] , [2017], [2018]])

上面的脚本将打印 2013、2014、2015、2015、2015、2015。在 RF 中添加滞后变量在这方面没有帮助。这么小心。我不确定将趋势数据添加到您的 RF 是否会达到您的预期。

只需将您尝试预测的变量更改为因变量的差异即可。

正如其他帖子所指出的，随机森林不知道如何处理训练集之后出现的时间变量。假设您的训练集包含从第 1 分钟到第 60 分钟的数据。随机森林可能会制定一个规则，即 40 分钟后因变量为 100。即使有趋势，如果您在测试数据中达到第 10000 分钟，将应用相同的规则。但是，如果您预测差异，这可能具有包含趋势的相同效果。

至于 RF 是否是体面的预测者，我对 RF 的运气比 VAR、VECM 等其他计量经济模型要好得多，尤其是对于短期预测。然而，其他一些模型似乎在大多数数据上效果更好，例如调整良好的 GBM 模型。