[論文レビュー] An Introductory Study on Time Series Modeling and Forecasting

Ratnadip Adhikari, R. K. Agrawal|arXiv (Cornell University)|Feb 26, 2013

Stock Market Forecasting Methods参考文献 34被引用数 509

ひとこと要約

本稿は、6つの実世界データセットを用いて、確率的（例：ARIMA）、ニューラルネットワーク、サポートベクターマシン（SVM）の3つの主要なモデルクラスを評価することで、時系列モデリングおよび予測に関する包括的な紹介を提供している。モデルの単純性（パラメータの最小化）を重視し、5つの性能指標（MSE、MAD、RMSE、MAPE、Theil’s U）を用いて分析を行い、モデル選択が予測精度に顕著な影響を与えることが示された。特に、非線形性が強い複雑なデータに対しては、SVMおよびニューラルネットワークモデルが従来の確率的モデルを上回ることが多い。

ABSTRACT

Time series modeling and forecasting has fundamental importance to various practical domains. Thus a lot of active research works is going on in this subject during several years. Many important models have been proposed in literature for improving the accuracy and effectiveness of time series forecasting. The aim of this dissertation work is to present a concise description of some popular time series forecasting models used in practice, with their salient features. In this thesis, we have described three important classes of time series models, viz. the stochastic, neural networks and SVM based models, together with their inherent forecasting strengths and weaknesses. We have also discussed about the basic issues related to time series modeling, such as stationarity, parsimony, overfitting, etc. Our discussion about different time series models is supported by giving the experimental forecast results, performed on six real time series datasets. While fitting a model to a dataset, special care is taken to select the most parsimonious one. To evaluate forecast accuracy as well as to compare among different models fitted to a time series, we have used the five performance measures, viz. MSE, MAD, RMSE, MAPE and Theil's U-statistics. For each of the six datasets, we have shown the obtained forecast diagram which graphically depicts the closeness between the original and forecasted observations. To have authenticity as well as clarity in our discussion about time series modeling and forecasting, we have taken the help of various published research works from reputed journals and some standard books.

研究の動機と目的

• 研究者および実務家向けに、主要な時系列予測モデルの簡潔で理解しやすい概要を提供すること。
• 実世界の時系列予測において、確率的モデル、ニューラルネットワーク、SVMベースのモデルの強みと弱みを評価すること。
• 時系列モデリングにおけるモデルの単純性を強調し、過剰適合を回避すること。
• 多様なデータセットにわたる標準的で広く受け入れられた精度指標を用いて、モデルの性能を比較すること。
• 6つの実時系列データセットからの実証的結果をもとに、実用的妥当性を高めること。

提案手法

• 本研究では、3つの主要な時系列モデルクラス（確率的（例：ARIMA）、ニューラルネットワーク、サポートベクターマシン（SVM））を評価する。
• 各データセットに対して、複数のモデルを適合させ、過剰適合を避けるために単純性を優先してモデルを選択する。
• 予測精度の評価および比較に、5つの性能指標（平均二乗誤差（MSE）、平均絶対偏差（MAD）、平均二乗誤差の平方根（RMSE）、平均絶対パcent誤差（MAPE）、Theil’s U統計量）を用いる。
• すべてのデータセットにおいて、元の値と予測値を視覚的に比較できる予測図を生成する。
• 研究の方法的厳密性と明確性を確保するため、既存の文献および標準的教科書に根拠を置く。
• 実世界の時系列データセット6つを用いて実験を実施し、実証的妥当性と実用的適用性を確保する。

実験結果

リサーチクエスチョン

• RQ1 多様な実世界データセットにおいて、確率的モデル、ニューラルネットワーク、SVMのどのモデルクラスが最も高い精度を達成するか？
• RQ2 標準的な性能指標（MSE、MAPE、Theil’s U）は、予測の信頼性という観点から、異なるモデルをどのように順位付けするか？
• RQ3 モデルの単純性は、予測性能の向上および過剰適合の低減にどの程度寄与するか？
• RQ4 異なるデータタイプにおいて、予測値と実際の観測値の間の視覚的および定量的比較はどのように示されるか？
• RQ5 各モデルクラスが、時系列の非線形性や構造的変化を扱う際に、それぞれ固有の強みと限界をどのように示すか？

主な発見

• SVMベースのモデルは、非線形的かつ不規則な時系列において、一貫して低いMAPE値およびTheil’s U値を達成しており、複雑なパターンにおける優れた予測精度を示している。
• 非線形トレンドおよび季節性が強いデータセットでは、ニューラルネットワークモデルが従来の確率的モデルを上回り、特に長期予測において顕著な優位性を示した。
• ARIMAおよび他の確率的モデルは、定常的で線形的かつ季節的である時系列において、特にモデル次数を慎重に選択した場合に優れた性能を示した。
• Theil’s U統計量の使用により、一部のモデル（特にSVM）が他のモデルよりも予測誤差の分散をより効果的に低減していることが明らかになった。
• 予測図の可視化により、非定常的かつボラティリティの高い系列において、SVMおよびニューラルネットワークモデルが確率的モデルよりも実際の観測値に近い一致を達成していることが確認された。
• モデルの単純性は極めて重要であることが判明した。過剰にパラメータ化されたモデルは、特に小規模なデータセットにおいて過剰適合を引き起こし、汎化性能を低下させる傾向があった。