[論文レビュー] Forecasting Economics and Financial Time Series: ARIMA vs. LSTM

Sima Siami‐Namini, Akbar Siami Namin|arXiv (Cornell University)|Mar 16, 2018

Stock Market Forecasting Methods参考文献 22被引用数 59

ひとこと要約

この論文は予測経済・金融時系列データにおいてARIMAとLSTMを比較し、LSTMが予測精度でARIMAを大幅に上回ると示し、平均誤差削減は84–87%となる。訓練エポック数がパフォーマンスに一貫した影響を与えないことも報告している。

ABSTRACT

Forecasting time series data is an important subject in economics, business, and finance. Traditionally, there are several techniques to effectively forecast the next lag of time series data such as univariate Autoregressive (AR), univariate Moving Average (MA), Simple Exponential Smoothing (SES), and more notably Autoregressive Integrated Moving Average (ARIMA) with its many variations. In particular, ARIMA model has demonstrated its outperformance in precision and accuracy of predicting the next lags of time series. With the recent advancement in computational power of computers and more importantly developing more advanced machine learning algorithms and approaches such as deep learning, new algorithms are developed to forecast time series data. The research question investigated in this article is that whether and how the newly developed deep learning-based algorithms for forecasting time series data, such as "Long Short-Term Memory (LSTM)", are superior to the traditional algorithms. The empirical studies conducted and reported in this article show that deep learning-based algorithms such as LSTM outperform traditional-based algorithms such as ARIMA model. More specifically, the average reduction in error rates obtained by LSTM is between 84 - 87 percent when compared to ARIMA indicating the superiority of LSTM to ARIMA. Furthermore, it was noticed that the number of training times, known as "epoch" in deep learning, has no effect on the performance of the trained forecast model and it exhibits a truly random behavior.

研究の動機と目的

• 伝統的な時系列モデル（ARIMA）と深層学習アプローチ（LSTM）の経済・金融データに対する相対的予測精度を評価する。
• LSTMを用いた場合の予測誤差の平均的改善量を定量化する。
• トレーニングダイナミクス（エポック数）が時系列予測におけるLSTMの性能へ与える影響を調査する。

提案手法

• 経済・金融の時系列におけるARIMAとLSTMの予測をレビューし実証比較を行う。
• 標準的な予測誤差指標を用いて性能差を定量化する。
• 訓練エポック数がLSTMの性能に与える影響を分析する（エポック数はランダムな挙動／影響なしであることを示す）。

実験結果

リサーチクエスチョン

• RQ1 LSTMモデルは経済・金融時系列の予測でARIMAを上回るか？
• RQ2 LSTMを用いた場合の誤差削減の規模はARIMAと比較してどれくらいか？
• RQ3 この領域におけるLSTMの予測性能に対して訓練エポック数はどのように影響するか？

主な発見

• LSTMは経済・金融時系列の予測でARIMAを上回る。
• LSTM使用時の誤差率の平均削減量は84–87%と報告されている。
• 訓練エポック数はLSTMの性能に一貫した影響を示さない（ランダムな挙動）。