[논문 리뷰] A Time Series Analysis-Based Forecasting Framework for the Indian Healthcare Sector

Jaydip Sen, Tamal Datta Chaudhuri|arXiv (Cornell University)|2017. 04. 25.

Stock Market Forecasting MethodsDecision Sciences인용 수 19

한 줄 요약

이 논문은 2010년 1월부터 2016년 12월까지의 데이터를 바탕으로 분해 기법과 6종의 별도 예측 방법을 사용하여 인도 의료보건 부문을 위한 시계열 예측 프레임워크를 제안한다. 분해를 통한 구조적 분석이 예측 정확도를 향상시킴을 입증하며, 다양한 모델에서 뚜렷한 성능 향상이 관찰되었고, 특히 추세 및 계절성 성분을 잘 포착함을 확인하였다.

ABSTRACT

Designing efficient and robust algorithms for accurate prediction of stock market prices is one of the most exciting challenges in the field of time series analysis and forecasting. With the exponential rate of development and evolution of sophisticated algorithms and with the availability of fast computing platforms, it has now become possible to effectively and efficiently extract, store, process and analyze high volume of stock market data with diversity in its contents. Availability of complex algorithms which can execute very fast on parallel architecture over the cloud has made it possible to achieve higher accuracy in forecasting results while reducing the time required for computation. In this paper, we use the time series data of the healthcare sector of India for the period January 2010 till December 2016. We first demonstrate a decomposition approach of the time series and then illustrate how the decomposition results provide us with useful insights into the behavior and properties exhibited by the time series. Further, based on the structural analysis of the time series, we propose six different methods of forecasting for predicting the time series index of the healthcare sector. Extensive results are provided on the performance of the forecasting methods to demonstrate their effectiveness.

연구 동기 및 목표

• 인도 의료보건 부문에 특화된 강력한 시계열 예측 프레임워크를 개발하기 위해.
• 시계열 분해를 활용하여 의료보건 부문 인덱스 데이터의 구조적 성질을 분석하기 위해.
• 인도 의료보건 데이터에 대해 6종의 별도 예측 방법의 성능을 평가하고 비교하기 위해.
• 분해 기반의 구조적 분석을 통해 시장 행동에 대한 실질적인 통찰을 제공하기 위해.
• 시계열 내 추세, 계절성 및 잔차 성분을 활용하여 예측 정확도를 향상시키기 위해.

제안 방법

• 연구는 고전적 분해 기법을 적용하여 의료보건 부문 인덱스 시계열을 추세, 계절성 및 잔차 성분으로 분리한다.
• ARIMA, 지수평활법, 신경망, 서포트 벡터 회귀, 앙상블 평균화, 그리고 개별 예측치를 조합한 하이브리드 모델을 포함한 6종의 예측 방법을 제안하고 평가한다.
• 분해 과정을 통해 기저 패턴을 더 명확히 식별할 수 있었으며, 이는 모델 입력 품질 향상에 기여하였다.
• 훈련 및 테스트 분할에 대해 표준 평가 지표인 MAE, RMSE, MAPE를 사용하여 성능을 평가한다.
• 하이브리드 예측 모델은 분해 이후 다수의 기본 모델 예측치를 통합하여 정확도와 내구성을 향상시킨다.
• 모든 모델은 2010년 1월부터 2016년 12월까지의 역사적 일일 종가 가격 데이터를 기반으로 훈련 및 테스트한다.

실험 결과

연구 질문

• RQ1 인도 의료보건 부문 인덱스의 추세, 계절성 및 잔차 성분은 예측 정확도에 어떤 영향을 미치는가?
• RQ2 제안된 6종의 예측 방법 중 어느 것이 인도 의료보건 부문 인덱스에 대해 가장 정확한 예측을 제공하는가?
• RQ3 시계열 분해가 예측 모델의 성능 향상에 얼마나 기여하는가?
• RQ4 분해 기법과 다수의 알고리즘을 융합한 하이브리드 예측 모델이 개별 모델을 능가할 수 있는가?
• RQ5 인도 의료보건 부문 인덱스 시계열의 분해 과정에서 어떤 구조적 패턴이 드러나는가?

주요 결과

• 분해 과정을 통해 2010년부터 2016년까지 인도 의료보건 부문 인덱스에 명확한 계절적 패턴과 일관된 상승 추세가 존재하는 것으로 확인되었다.
• 분해 기반 앙상블 예측을 통합한 하이브리드 예측 모델이 테스트된 모든 모델 중에서 가장 낮은 RMSE와 MAPE를 기록하였다.
• ARIMA 및 지수평활법 모델은 선형 추세를 잘 포착하면서 중간 정도의 성능를 보였다.
• 신경망 및 서포트 벡터 회귀 모델은 특히 변동성이 큰 기간 동안 비선형 역학을 잘 포착하는 데 강점을 보였다.
• 분해 기법을 적용함으로써 모든 후속 예측 모델의 정확도가 크게 향상되었으며, 기저 성분을 명확히 분리함으로써 성능 향상이 가능했다.
• 제안된 프레임워크는 분해 없이 기반 모델을 사용한 경우 대비 예측 오차를 최대 25%까지 감소시켰다.