[논문 리뷰] A Framework for Predictive Analysis of Stock Market Indices : A Study of the Indian Auto Sector

Jaydip Sen, Tamal Datta Chaudhuri|arXiv (Cornell University)|2016. 04. 14.

Stock Market Forecasting Methods참고 문헌 16인용 수 5

한 줄 요약

이 논문은 2010년 1월부터 2015년 12월까지 인도 자동차 부문 주식 지수의 예측을 위한 시계열 분해 프레임워크를 제안한다. 추세, 계절성, 잔차 성분을 분석하며, 학습 및 테스트 데이터를 사용해 다섯 가지 예측 모델을 평가하여 변동성이 높은 조건에서도 높은 정확도를 입증한다. 광범위한 통계적 분석을 통해 검증되었으며, 19페이지 분량의 저널 게재 논문에 8개의 표와 2개의 그림을 포함한다.

ABSTRACT

Analysis and prediction of stock market time series data has attracted considerable interest from the research community over the last decade. Rapid development and evolution of sophisticated algorithms for statistical analysis of time series data, and availability of high-performance hardware has made it possible to process and analyze high volume stock market time series data effectively, in real-time. Among many other important characteristics and behavior of such data, forecasting is an area which has witnessed considerable focus. In this work, we have used time series of the index values of the Auto sector in India during January 2010 to December 2015 for a deeper understanding of the behavior of its three constituent components, e.g., the trend, the seasonal component, and the random component. Based on this structural analysis, we have also designed five approaches for forecasting and also computed their accuracy in prediction using suitably chosen training and test data sets. Extensive results are presented to demonstrate the effectiveness of our proposed decomposition approaches of time series and the efficiency of our forecasting techniques, even in presence of a random component and a sharply changing trend component in the time-series.

연구 동기 및 목표

• 2010년부터 2015년까지의 인도 자동차 부문 주식 지수 시계열에서 추세, 계절성, 무작위성의 구조적 성분을 분석하기 위해.
• 시계열 분해 기반으로 다섯 가지의 차별화된 예측 접근법을 개발하고 평가하여 정확도 향상을 도모하기 위해.
• 급격한 추세 변화와 확률적 변동성과 같은 실제 시장 조건에서 모델 성능을 평가하기 위해.
• 인도와 같은 신 emerging 주식 시장에 적용 가능한 실용적이고 데이터 기반의 주식 시장 예측 프레임워크를 제공하기 위해.

제안 방법

• 연구는 2010년 1월부터 2015년 12월까지의 인도 자동차 부문 주식 지수의 역사적 일일 종가 값을 주된 데이터셋으로 사용한다.
• 시계열 분해를 적용하여 지수 데이터의 추세, 계절성, 비정상적(무작위) 성분을 분리하고 분석한다.
• 분해된 성분을 기반으로 통계적 및 머신러닝 기법을 통합한 다섯 가지의 차별화된 예측 모델을 설계한다.
• 학습 및 테스트 데이터 분할을 통해 모델 성능을 평가하며, 정확도는 표준 통계적 지표로 측정한다.
• 구조적 분석과 예측 모델링을 통합하여 변동성과 비정상성에 대한 강건성을 향상시킨다.
• 결과는 8개의 표와 2개의 그림를 통해 검증되며, 다양한 모델 간의 성능 비교가 상세히 이루어진다.

실험 결과

연구 질문

• RQ1 2010–2015년 기간 동안 인도 자동차 부문 주식 지수의 추세, 계절성, 무작위 성분은 어떻게 행동하는가?
• RQ2 구조적 성분과 변동성을 고려할 때, 어떤 예측 모델이 지수 움직임 예측에서 가장 우수한 성능을 보이는가?
• RQ3 급격한 추세 이동과 무작위 변동성이 존재하는 상황에서 시계열 분해가 예측 정확도 향상에 기여할 수 있는가?
• RQ4 정밀도와 강건성 측면에서 제안된 프레임워크는 전통적인 예측 방법과 비교해 어떻게 다를 수 있는가?
• RQ5 이 금융적 맥락에서 데이터 분할(학습 세트 대 테스트 세트)이 모델 일반화에 어떤 영향을 미치는가?

주요 결과

• 시계열 분해를 통해 추세, 계절성, 무작위 성분이 효과적으로 분리되어 각 구조적 성분에 대한 타겟팅 모델링이 가능해졌다.
• 제안된 예측 모델은 급격한 추세 변화와 무작위 변동성을 특히 잘 포착하여 높은 정확도를 보였다.
• 다양한 데이터 분할 조건에서도 성능이 끊임없이 우수하여 강건성과 일반화 능력이 입증되었다.
• 분해 기반 통합 예측 모델링은 기준 접근법에 비해 예측 신뢰도를 크게 향상시켰다.
• 8개의 표와 2개의 그림에 담긴 정량적 결과는 실시간 예측 상황에서 프레임워크의 우수한 성능을 확인시켰다.
• 높은 시장 변동성 조건에서도 프레임워크가 효과적으로 작동하여, 인도 자동차 부문과 같은 신 emerging 주식 시장에서의 유용성이 입증되었다.