正如babelproofreader 提到的，那些拥有成功算法的人往往对它非常保密。因此，任何广泛可用的算法都不太可能开箱即用非常有用，除非你对它做了一些聪明的事情（此时它有点停止被广泛使用，因为你正在添加它）。

也就是说，了解自回归整数移动平均 (ARIMA) 模型可能是预测时间序列数据的有用开始。不要期望比随机结果更好。

我认为出于您的目的，您应该选择一种您觉得有趣的机器学习算法并尝试一下。

关于有效市场理论，市场在任何时间尺度上都不是有效的。此外，一些人（学术界和现实生活中的量化分析师）受到智力挑战的激励，而不仅仅是为了快速致富，他们确实发布了有趣的结果（我认为失败的结果是有趣的结果）。但是，请用少许盐对待您阅读的所有内容；如果结果真的很好，也许他们的科学方法不是。

使用 R 进行数据挖掘可能对您来说是一本有用的书；它很贵，所以试着在你的大学图书馆里找到它。第 2 章涵盖了您想要做什么，他使用神经网络获得了最好的结果。但请注意，他得到的结果很差，并且要花费大量的 CPU 时间来获得它们。亚马逊评论指出这本书要贵 20 美元，因为那一章提到了金融这个词；读的时候，我觉得是出版商逼他写的。他完成了作业，阅读了文档，仔细阅读了正确的邮件列表，但他的心不在于此。我从中获得了一些有用的 R 知识，但不会用它击败市场 :-)

在我看来，任何可以执行以下所有操作的普通强人工智能都可能很容易产生具有统计意义的预测：

• 收集和理解谣言

• 访问和解释所有政府知识

• 在每个相关国家都这样做

• 做出相关预测：

  • 天气状况

  • 恐怖活动

  • 个人的想法和感受

  • 影响贸易的其他一切

统计分析是您最不必担心的事情，真的。

您可以尝试 R 中的auto.arima和ets函数。您也可以使用rugarch包取得一些成功，但没有用于自动参数选择的现有函数。也许您可以从中获取平均模型的参数auto.arima，然后将它们传递给rugarch并添加garch(1,1)？

有各种各样的博客声称在这方面取得了一些成功。这是使用arima 模型（后来是garch模型）的系统和使用SVM 模型的系统。您会发现很多关于FOSS 交易的好信息，尤其是当您开始阅读他的 blogroll 上的博客时。

无论您使用哪种模型，请务必进行交叉验证和基准测试！如果您发现一个 arima、ets 甚至 garch 模型可以始终如一地击败样本外的幼稚模型，我会感到非常惊讶。可以在此处和此处找到时间序列交叉验证的示例。请记住，您真正想要预测的是回报，而不是价格。