[論文レビュー] Forecasting model based on information-granulated GA-SVR and ARIMA for producer price index

Xiangyan Tang, Liang Wang+2 more|arXiv (Cornell University)|Mar 28, 2019

Stock Market Forecasting Methods参考文献 22被引用数 3

ひとこと要約

本稿では、ファジィ情報粒度化、遺伝的アルゴリズム最適化されたサポートベクターレグレッション（GA-SVR）、およびARIMAを統合する新規ハイブリッド予測モデルを提案する。PPIデータを事前にファジィ情報粒度に分類し、各粒度ごとに個別にGA-SVRモデルを訓練し、ARIMAを用いて残差を精緻化することで、実証的実験においてARIMA、GRNN、および単体のGA-SVRモデルよりも優れた予測精度を達成した。

ABSTRACT

The accuracy of predicting the Producer Price Index (PPI) plays an indispensable role in government economic work. However, it is difficult to forecast the PPI. In our research, we first propose an unprecedented hybrid model based on fuzzy information granulation that integrates the GA-SVR and ARIMA (Autoregressive Integrated Moving Average Model) models. The fuzzy-information-granulation-based GA-SVR-ARIMA hybrid model is intended to deal with the problem of imprecision in PPI estimation. The proposed model adopts the fuzzy information-granulation algorithm to pre-classification-process monthly training samples of the PPI, and produced three different sequences of fuzzy information granules, whose Support Vector Regression (SVR) machine forecast models were separately established for their Genetic Algorithm (GA) optimization parameters. Finally, the residual errors of the GA-SVR model were rectified through ARIMA modeling, and the PPI estimate was reached. Research shows that the PPI value predicted by this hybrid model is more accurate than that predicted by other models, including ARIMA, GRNN, and GA-SVR, following several comparative experiments. Research also indicates the precision and validation of the PPI prediction of the hybrid model and demonstrates that the model has consistent ability to leverage the forecasting advantage of GA-SVR in non-linear space and of ARIMA in linear space.

研究の動機と目的

• データの曖昧さと非線形性に起因するProducer Price Index（PPI）予測の低精度という課題に対処すること。
• GA-SVRの非線形空間における強みとARIMAの線形空間における強みを活かしたハイブリッド予測モデルの開発。
• PPI学習データを異なる粒度のシーケンスに事前処理するためにファジィ情報粒度化を適用し、予測精度を向上させること。
• GA-SVRの予測値に対してARIMAを用いて残差を補正することで、予測誤差を低減すること。
• ARIMA、GRNN、およびGA-SVRといった既存モデルと比較して、提案モデルの一貫性と優位性を実証すること。

提案手法

• 月次PPI学習データを、ファジィ情報粒度に事前に分類し、3つの異なるシーケンスのファジィ情報粒度に分割する。
• 各粒度シーケンスに対して個別にサポートベクターレグレッション（SVR）モデルを訓練し、ハイパーパramータを遺伝的アルゴリズム（GA）で最適化する。
• GA-SVRモデルが各粒度に対して初期のPPI予測値を生成し、複数の予測ストリームを出力する。
• GA-SVRの予測値と実際のPPI値との間の残差を抽出し、システム的予測偏差を補正するためにARIMAを用いてモデル化する。
• 全粒度にわたる補正済みGA-SVR予測値を統合し、最終的なPPI予測値を算出する。
• 非線形モデリング（GA-SVR）と線形誤差補正（ARIMA）を統合することで、全体の予測の頑健性を向上させる。

実験結果

リサーチクエスチョン

• RQ1 ファジィ情報粒度化を適用することで、PPI予測の精度が、データの曖昧さの低減によって向上するか？
• RQ2 ハイブリッドフレームワーク内でGA-SVRとARIMAを統合することで、単体モデルよりも優れたPPI予測が得られるか？
• RQ3 ARIMAによる残差誤差補正が、GA-SVRのPPI予測における性能向上にどの程度寄与するか？
• RQ4 複数の評価指標を用いて、提案モデルがARIMA、GRNN、およびGA-SVRと比較して、どの程度の精度を示すか？
• RQ5 ハイブリッドモデルは、PPI予測において非線形（GA-SVR）と線形（ARIMA）モデリングの補完的長所を一貫して活用できるか？

主な発見

• 提案されたGA-SVR-ARIMAハイブリッドモデルは、比較実験においてARIMA、GRNN、および単体のGA-SVRモデルよりも高い予測精度を達成した。
• ファジィ情報粒度化の統合により、PPI時系列におけるデータ曖昧さの処理能力が著しく向上した。
• ARIMAによる残差誤差補正は、GA-SVR部のシステム的予測誤差を効果的に低減した。
• 異なるデータ粒度において一貫した性能を示しており、多様なPPIパターンへの耐性が裏付けられた。
• GA-SVRの非線形モデリングの強みとARIMAの線形誤差補正能力を効果的に統合し、全体の予測力が向上した。
• 実証的結果により、モデルの妥当性とPPI予測における優れた精度が確認された。