基于TSLM的预测逆变换：还原Open变量水平值方法

你当前的模型预测的是对数Open的一阶差分（dl0pen），要还原成原始Open的水平值，需要逆向执行数据预处理的步骤：先还原差分得到对数水平，再取指数得到原始数值。具体操作如下：

步骤1：获取还原的起点值 #

从训练数据中提取最后一个观测的对数Open值（lopen），作为还原差分序列的基准：

# 提取训练集最后一个lopen值
last_lopen <- df %>% filter(Date < "2015-12-23") %>% pull(lopen) %>% last()

步骤2：还原差分序列为对数水平 #

对预测得到的dl0pen做累加计算，加上起点的对数Open，得到预测期的对数Open值：

# 处理预测结果，计算对数Open的预测值
xd_with_lopen <- xd %>%
  mutate(
    # 累加差分得到对数水平，第一个预测值的差分对应训练集最后一个值的变化
    lopen_pred = last_lopen + cumsum(.pred)
  )

步骤3：转换为原始Open水平值 #

对对数Open的预测值取指数，得到原始Open的预测水平：

# 指数转换得到原始Open的预测值
xd_final <- xd_with_lopen %>%
  mutate(Open_pred = exp(lopen_pred))

完整代码示例 #

把上述步骤整合起来：

# 1. 获取训练集最后一个对数Open值
last_lopen <- df %>% filter(Date < "2015-12-23") %>% pull(lopen) %>% last()

# 2. 处理预测结果，还原为原始Open水平
xd_final <- xd %>%
  mutate(
    lopen_pred = last_lopen + cumsum(.pred),
    Open_pred = exp(lopen_pred)
  )

# 查看结果
xd_final %>% select(Date, .pred, lopen_pred, Open_pred)

补充说明 #

• dl0pen = difference(log(Open), 1)等价于dl0pen[t] = lopen[t] - lopen[t-1]，所以还原时lopen[t] = lopen[t-1] + dl0pen[t]，累加所有预测的差分就能得到从起点开始的对数序列。
• 确保预测结果的时间索引连续，cumsum的顺序才会正确对应日期。

内容的提问来源于stack exchange，提问作者douseik