[論文レビュー] Modeling Interval Trendlines: Symbolic Singular Spectrum Analysis for Interval Time Series

Miguel de Carvalho, Gabriel Martos|arXiv (Cornell University)|Nov 7, 2020

Statistical and numerical algorithms参考文献 30被引用数 7

ひとこと要約

本稿では、区間値時系列のための記号的特異スペクトル分析（SSA）を提案する。古典的SSAを拡張し、区間トレンドライン、サイクル、ノイズといった解釈可能な成分に区間データを分解・予測可能にする。この手法は、区間値ヘンケル行列の行列分解を用い、線形再帰による予測を可能にし、経済的混乱期におけるアルゼンチンのMerval株価指数のシミュレーションおよびリアルタイム分析により検証された。

ABSTRACT

In this article we propose an extension of singular spectrum analysis for interval-valued time series. The proposed methods can be used to decompose and forecast the dynamics governing a set-valued stochastic process. The resulting components on which the interval time series is decomposed can be understood as interval trendlines, cycles, or noise. Forecasting can be conducted through a linear recurrent method, and we devised generalizations of the decomposition method for the multivariate setting. The performance of the proposed methods is showcased in a simulation study. We apply the proposed methods so to track the dynamics governing the Argentina Stock Market (MERVAL) in real time, in a case study that covers the most recent period of turbulence that led to discussions of the government of Argentina with the International Monetary Fund.

研究の動機と目的

• データが単一の値ではなく範囲として表現される区間値時系列をモデル化・予測するため、特異スペクトル分析（SSA）を拡張すること。
• 区間内変動を無視する中点ベースの分析の限界を是正すること、特に金融・経済データにおいて。
• 集合値確率過程のための解釈可能な成分（トレンドライン、サイクル、ノイズ）をもたらす分解フレームワークを開発すること。
• 信号および時系列解析分野への広範な応用を可能にするために、多変量区間時系列へとこの手法を一般化すること。
• 線形再帰とキーパrameter（窓長、成分数など）の自動選択を用いた実用的な予測ツールを提供すること。

提案手法

• 各時系列区間 [a_t, b_t] を実数の対 (a_{i,j}, b_{i,j}) として表現するための順序対の行列を用いる。
• 区間行列のための修正されたフロベニウスノルムを適用：||Y||_C = (1/√2) * (∑∑(a_{i,j}² + b_{i,j}²))^{1/2}、分解に適した構造を保持する。
• 区間データのローリングウインドウから構築されたブロックヘンケル行列に対して特異値分解（SVD）を適用し、主成分に分解する。
• 逆変換により区間成分を再構築し、それぞれを時系列内の異なるダイナミクス的成分（トレンド、サイクル、ノイズ）として解釈する。
• 区間残差のスペクトル密度を用いたパワースペクトル密度に基づく基準を用い、本質的再帰的成分（ERCs）の数を自動的に選択する。
• 予測誤差を複数ステップにわたって最小化するため、予測パラメータ（窓長、成分数）の選択を支援するため、ハウスドルフ距離を用いて最適化する。

実験結果

リサーチクエスチョン

• RQ1 特異スペクトル分析を、区間トレンドラインやサイクルといった意味のある成分に分解可能な区間値時系列にどのように拡張できるか。
• RQ2 区間値SSAにおける本質的再帰的成分（ERCs）の数を最適に選択する方法は何か。また、これを自動化するにはどうすればよいか。
• RQ3 本手法は、区間内変動を捉える能力および予測精度において、従来のSSAおよび中点ベースの手法と比べてどのように優れているか。
• RQ4 本手法は、経済的混乱期における金融指数など、現実の複雑な区間時系列のダイナミクスを的確に追跡・予測できるか。
• RQ5 窓長および成分数が予測性能に与える影響は何か。また、残差に基づく基準を用いてこれらを最適化するにはどうすればよいか。

主な発見

• 提案された記号的SSA手法は、区間トレンドライン、周期的パターン、ノイズといった解釈可能な成分に区間時系列を効果的に分解でき、背後にあるダイナミクスの理解を深める。
• ERCsの数を特定するためのパワースペクトル密度に基づく基準は、顕著な変動を説明する成分を的確に同定し、残差に白色ノイズの帰無仮説が成り立つことで停止ルールとして機能する。
• 予測パラメータ（l, m）をハウスドルフ距離に基づいて最適化する手法により、Merval指数の12ステップ先予測精度が著しく向上したことが事例研究で示された。
• シミュレーションスタディにおいて、中点ベースのSSAに比べ、本手法は区間内変動をよりよく捉え、元の区間系列の構造的特徴を保持していた。
• 本手法は、経済的混乱期におけるアルゼンチンのMerval株価指数のリアルタイム追跡に成功し、意味のあるトレンドおよびサイクル成分を明らかにした。
• RパッケージASSAは、本手法を実装し、研究者および実務家による実用的応用と再現性を可能にしている。