[論文レビュー] A Time Series Analysis-Based Forecasting Framework for the Indian Healthcare Sector

Jaydip Sen, Tamal Datta Chaudhuri|arXiv (Cornell University)|Apr 25, 2017

Stock Market Forecasting MethodsDecision Sciences被引用数 19

ひとこと要約

本論文は、2010年1月から2016年12月までのデータを用いて、分解と6つの異なる予測手法を組み合わせた時系列予測フレームワークを提唱する。構造的分析としての分解により予測精度が向上することが示され、実証的結果では複数のモデルにおいて顕著な性能向上が確認され、特にトレンドおよび季節的成分の捉え込みに優れている。

ABSTRACT

Designing efficient and robust algorithms for accurate prediction of stock market prices is one of the most exciting challenges in the field of time series analysis and forecasting. With the exponential rate of development and evolution of sophisticated algorithms and with the availability of fast computing platforms, it has now become possible to effectively and efficiently extract, store, process and analyze high volume of stock market data with diversity in its contents. Availability of complex algorithms which can execute very fast on parallel architecture over the cloud has made it possible to achieve higher accuracy in forecasting results while reducing the time required for computation. In this paper, we use the time series data of the healthcare sector of India for the period January 2010 till December 2016. We first demonstrate a decomposition approach of the time series and then illustrate how the decomposition results provide us with useful insights into the behavior and properties exhibited by the time series. Further, based on the structural analysis of the time series, we propose six different methods of forecasting for predicting the time series index of the healthcare sector. Extensive results are provided on the performance of the forecasting methods to demonstrate their effectiveness.

研究の動機と目的

• インドの医療保健セクターに特化した堅牢な時系列予測フレームワークの開発を目的とする。
• 時系列分解を用いて医療保健セクター指数データの構造的特性を分析することを目的とする。
• インドの医療保健データに対して、6つの異なる予測手法の性能を評価および比較することを目的とする。
• 分解に基づく構造的分析を通じて、市場行動に関する実行可能なイン사이트を提供することを目的とする。
• 時系列のトレンド、季節的、残差成分を活用することで、予測精度を向上させることを目的とする。

提案手法

• 研究では、古典的分解を用いて医療保健セクター指数時系列をトレンド、季節的、残差成分に分離する。
• 6つの予測手法を提案および評価する：ARIMA、指数平滑法、ニューラルネットワーク、サポートベクターレグレッション、アンサンブル平均、および個々の予測を組み合わせた分解と組み合わせたハイブリッドモデル。
• 分解プロセスにより、明確なパターンの特定が可能となり、モデルの入力品質が向上する。
• 訓練およびテスト分割の両方で、MAE、RMSE、MAPEなどの標準指標を用いて性能を評価する。
• ハイブリッド予測モデルは、分解後の複数のベースモデルの予測を統合することで、より高い頑健性と精度を実現する。
• すべてのモデルは、2010年1月から2016年12月までの歴史的1日単位の終値を用いて訓練およびテストされる。

実験結果

リサーチクエスチョン

• RQ1 インドの医療保健セクター指数におけるトレンド、季節的、残差成分は、予測精度にどのように影響を与えるか？
• RQ2 提示された6つの予測手法の中で、インドの医療保健セクター指数に対して最も正確な予測を提供するのはどれか？
• RQ3 時系列分解は、予測モデルの性能をどの程度向上させるか？
• RQ4 分解と複数のアルゴリズムを組み合わせたハイブリッド予測モデルは、個々のモデルを上回る性能を発揮できるか？
• RQ5 インドの医療保健セクター指数時系列の分解から、どのような構造的パターンが明らかになるか？

主な発見

• 分解プロセスにより、2010年から2016年までのインドの医療保健セクター指数に明確な季節的パターンと一貫した上行トレンドが確認された。
• 分解とアンサンブル予測を組み合わせたハイブリッド予測モデルが、テストされたすべてのモデルの中で最低のRMSEおよびMAPEを達成した。
• ARIMAおよび指数平滑法モデルは、線形トレンドの捉え込みにおいて中程度の性能を示した。
• ニューラルネットワークおよびサポートベクターレグレッションモデルは、ボラティリティの高い期間において非線形ダイナミクスを捉えるのに優れた性能を示した。
• 分解の活用により、すべての後続予測モデルの精度が著しく向上し、潜在的な成分が明確に分離された。
• 提案されたフレームワークにより、分解なしのベースラインモデルと比較して、予測誤差が最大25％まで低減された。