我最近在研究 高频时间序列数据 的 建模和预测,  简单来说 就是 水文 股票或者 汇率 期货 一类 高频时间序列数据

我主要使用 BP  SVM RBF 建模 , 输入数据 通常是 典型的时间序列数据 : 比如 输入 预测点之前几个时间点价位数据, 预测下一个时间点的价位

我遇到的问题是 , 就是 由于 金融类数据类型数据高频和混沌的特征, 导致预测结果和实际值呈现一种"平移现象"和"滞后现象"  ,这个让我很头疼, 如图





"平移现象"  实质上表示 模型 方向性预测非常不明确,所以只好取上下波动的平均值,基本是0波动的值作为预测值,可以说表示模型预测效果相当不理想,没有太多应用价值

我个人用了很多建模方案,尝试破坏这种 平移现象, 大概用了以下一些方法
1 比如 使用 BP 模型时候,使用非常多的神经元和LM 训练算法,进行过度拟合, 预测结果倒是不呈现平移,但是误差增大好几倍
2 使用 FNT 柔性神经树网络 , 预测结果依旧 呈现平移
3 使用 带有参数的激励函数 , 预测结果依旧 呈现平移
4 尝试 使用 一些股票技术指标作为输入参数, 预测结果依旧 呈现平移  
5 使用 SVM  RBF 建模 , 预测结果依旧 呈现平移 要么 过度拟合误差很大
注: 训练集做过 归一化和差分处理


我想  咨询一下 对于 金融时间序列数据或者 非平稳时间序列数据有研究的学者或者老师同学,
应该用什么方法能够在明显扩大误差的情况下,使建立的模型预测结果不呈现"平移现象", 简单来说就是有一定的波动(相对于前一时间点)?
是否应该对训练数据做一些数据预处理?
或者什么其他方案?
希望在这方面有实际研究经验和成果的学者或者学生朋友给一些合适的建议,我愿意拿我一半的论坛币财产重奖有真实价值的指导建议.