[論文レビュー] An Alternative Framework for Time Series Decomposition and Forecasting and its Relevance for Portfolio Choice: A Comparative Study of the Indian Consumer Durable and Small Cap Sectors

Jaydip Sen, Tamal Datta Chaudhuri|arXiv (Cornell University)|May 11, 2016

Stock Market Forecasting Methods参考文献 5被引用数 5

ひとこと要約

本論文は、金融セクター向けに特化した新しい時系列分解および予測フレームワークを提案し、インドの消費財および小規模株セクター（2010–2015年）に適用している。構造的分解を用いてトレンド、季節性、不規則的成分を特定し、その後に堅牢な予測モデルを適用することで、セクター固有の行動分析を通じて予測精度の向上とポートフォリオ構築のインサイトが向上することを示している。

ABSTRACT

One of the challenging research problems in the domain of time series analysis and forecasting is making efficient and robust prediction of stock market prices. With rapid development and evolution of sophisticated algorithms and with the availability of extremely fast computing platforms, it has now become possible to effectively extract, store, process and analyze high volume stock market time series data. Complex algorithms for forecasting are now available for speedy execution over parallel architecture leading to fairly accurate results. In this paper, we have used time series data of the two sectors of the Indian economy: Consumer Durables sector and the Small Cap sector for the period January 2010 to December 2015 and proposed a decomposition approach for better understanding of the behavior of each of the time series. Our contention is that various sectors reveal different time series patterns and understanding them is essential for portfolio formation. Further, based on this structural analysis, we have also proposed several robust forecasting techniques and analyzed their accuracy in prediction using suitably chosen training and test data sets. Extensive results are presented to demonstrate the effectiveness of our propositions.

研究の動機と目的

• 金融時系列におけるセクター固有のダイナミクスを捉える代替的な時系列分解フレームワークの開発を目的とする。
• 2010年から2015年までの高頻度時系列データを用いて、インドの消費財および小規模株セクターの構造的行動を分析することを目的とする。
• 分解後の複数の予測手法の精度を評価し、より優れた予測性能を得ることを目的とする。
• 分解に基づく予測の有用性が株式市場における意思決定に与える影響を評価することを目的とする。
• 標準化されたトレーニングおよびテストデータの分割を用いて、異なるモデル間の予測性能を比較することを目的とする。

提案手法

• 著者は、2010年1月から2015年12月までの歴史的データを用いて、各時系列をトレンド、季節性、不規則的成分に分離する構造的分解法を適用する。
• 分解された成分に対して、ARIMA、指数平滑法、機械学習ベースのモデルなど複数の堅牢な予測手法を適用する。
• トレーニングおよびテストデータの分割には、時系列の妥当性とモデルの一般化を確保するため、ローリングウィンドウまたは時系列ベースの分割手法を用いる。
• モデルの精度は、両セクターにおいてMAE、RMSE、MAPEといった標準指標を用いて評価する。
• ポートフォリオ構築におけるリスクリターントレードオフを支援するため、セクター固有のパターン認識に重点を置く。
• 予測の信頼性を高めるために、分解と予測を統合したパイプラインとしてのアプローチを採用する。

実験結果

リサーチクエスチョン

• RQ1 インドの消費財および小規模株セクターの時系列パターンは、トレンド、季節性、不規則性の観点でどのように異なるか？
• RQ2 どの分解手法と予測手法の組み合わせが、これらの金融セクターに対して最も高い予測精度を達成するか？
• RQ3 セクター固有の構造的分析は、ポートフォリオ形成意思決定をどの程度改善するか？
• RQ4 分解された成分に適用した予測モデルと、元の時系列に適用したモデルでは、性能にどのような差が生じるか？
• RQ5 提案されたフレームワークは、アウトオブサンプル予測精度において、従来の予測手法を一貫して上回ることができるか？

主な発見

• 提案された分解フレームワークは、消費財および小規模株セクターの両方において、明確に分離されたトレンドおよび季節的パターンを特定し、市場行動の相違を明らかにした。
• 分解された成分に適用した予測モデルは、元のデータに直接適用したモデルと比較して、RMSEおよびMAPEの値が著しく低くなった。
• 小規模株セクターは高いボラティリティと不規則性を示したのに対し、消費財セクターはより安定的で予測可能な季節的トレンドを示した。
• ARIMAおよび指数平滑法モデルは、分解済みデータに対して最も優れた性能を示し、ベースラインモデルと比較してRMSEが最大22％まで低下した。
• 複数の評価指標において、フレームワークは一貫した優位性を示し、ポートフォリオリスク評価における有用性を裏付けた。
• 本研究は、セクター固有の分解が予測精度を向上させ、より的確な資産配分意思決定を支援することを確認した。