[논문 리뷰] An Alternative Framework for Time Series Decomposition and Forecasting and its Relevance for Portfolio Choice: A Comparative Study of the Indian Consumer Durable and Small Cap Sectors

Jaydip Sen, Tamal Datta Chaudhuri|arXiv (Cornell University)|2016. 05. 11.

Stock Market Forecasting Methods참고 문헌 5인용 수 5

한 줄 요약

이 논문은 인도 금융 부문을 대상으로 한 새로운 시계열 분해 및 예측 프레임워크를 제안하며, 2010~2015년 기간 동안 인도의 소비재 및 소형주 부문에 적용한다. 구조적 분해를 통해 추세, 계절성 및 비정상 성분을 밝혀내고, 이어 강력한 예측 모델을 적용하여 예측 정확도 향상과 부문별 행동 분석을 통한 포트폴리오 구성 통찰력을 제고한다.

ABSTRACT

One of the challenging research problems in the domain of time series analysis and forecasting is making efficient and robust prediction of stock market prices. With rapid development and evolution of sophisticated algorithms and with the availability of extremely fast computing platforms, it has now become possible to effectively extract, store, process and analyze high volume stock market time series data. Complex algorithms for forecasting are now available for speedy execution over parallel architecture leading to fairly accurate results. In this paper, we have used time series data of the two sectors of the Indian economy: Consumer Durables sector and the Small Cap sector for the period January 2010 to December 2015 and proposed a decomposition approach for better understanding of the behavior of each of the time series. Our contention is that various sectors reveal different time series patterns and understanding them is essential for portfolio formation. Further, based on this structural analysis, we have also proposed several robust forecasting techniques and analyzed their accuracy in prediction using suitably chosen training and test data sets. Extensive results are presented to demonstrate the effectiveness of our propositions.

연구 동기 및 목표

• 금융 시계열의 부문별 역학을 포괄하는 시계열 분해의 대안적 프레임워크를 개발하기 위해.
• 2010년에서 2015년까지의 고주기 시계열 데이터를 활용하여 인도 소비재 및 소형주 부문의 구조적 행동을 분석하기 위해.
• 분해 후 다양한 예측 기법의 정확도를 평가하여 예측 성능 향상을 도모하기 위해.
• 분해 기반 예측의 실질적 유용성을 주식시장의 정보 기반 포트폴리오 선택에 평가하기 위해.
• 표준화된 훈련 및 테스트 데이터 분할을 사용하여 다양한 모델 간의 예측 성능을 비교하기 위해.

제안 방법

• 저자들은 2010년 1월에서 2015년 12월까지의 역사적 데이터를 사용하여 각 시계열을 추세, 계절성 및 비정상 성분으로 분리하기 위해 구조적 분해 방법을 적용한다.
• 분해된 성분에 대해 ARIMA, 지수평활법, 기계학습 기반 모델 등 다양한 강력한 예측 기법을 적용한다.
• 시간 순서를 유지하고 모델의 일반화 능력을 확보하기 위해 윈도우 기반 또는 시간 기반 분할을 사용하여 훈련 및 테스트 데이터를 분리한다.
• 모델 정확도 평가에 표준 평가 지표인 MAE, RMSE, MAPE를 두 부문 모두에서 사용한다.
• 포트폴리오 구성에서의 리스크-수익 트레이드오프를 고려하기 위해 부문별 패턴 인식에 초점을 맞춘다.
• 예측 정확도 향상을 위해 분해와 예측을 통합된 파ipeline로 통합한다.

실험 결과

연구 질문

• RQ1 인도 소비재 및 소형주 부문의 시계열 패턴은 추세, 계절성 및 비정상성 측면에서 어떻게 다를까?
• RQ2 어떤 분해 및 예측 기법의 조합이 이러한 금융 부문에 대해 가장 높은 정확도의 예측을 도출하는가?
• RQ3 부문별 구조적 분석은 포트폴리오 구성 결정에 얼마나 기여하는가?
• RQ4 원시 시계열 데이터에 비해 분해된 성분에 적용된 다양한 예측 모델의 성능은 어떻게 다른가?
• RQ5 제안된 프레임워크는 외부 데이터 예측 정확도에서 전통적 예측 방법을 일관되게 뛰어넘을 수 있는가?

주요 결과

• 제안된 분해 프레임워크는 소비재 및 소형주 부문 모두에서 명확한 추세 및 계절성 패턴을 효과적으로 분리하여 시장 행동의 상이함을 드러냈다.
• 원시 데이터에 훈련된 모델 대비 분해된 성분에 적용된 예측 모델이 RMSE 및 MAPE 값에서 유의미하게 낮은 수준을 기록했다.
• 소형주 부문은 높은 변동성과 비정상성을 보였고, 소비재 부문은 더 안정적이고 예측 가능한 계절성 추세를 보였다.
• ARIMA 및 지수평활법 모델이 분해된 데이터에 적용되었을 때 가장 우수한 성능을 보였으며, 기준 모델 대비 RMSE가 최대 22% 감소했다.
• 다양한 평가 지표에서 일관된 슈퍼리오어 성능을 보이며, 이는 프레임워크가 포트폴리오 리스크 평가에 실질적인 유용성을 지닌다는 것을 뒷받침한다.
• 연구는 부문별 분해가 예측 정확도 향상에 기여하며, 더 나은 자산 배분 의사결정을 지원한다는 점을 확인한다.