[논문 리뷰] Forecasting Economics and Financial Time Series: ARIMA vs. LSTM

Sima Siami‐Namini, Akbar Siami Namin|arXiv (Cornell University)|2018. 03. 16.

Stock Market Forecasting Methods참고 문헌 22인용 수 59

한 줄 요약

이 논문은 ARIMA와 LSTM을 비교하여 경제 및 금융 시계열 예측에서 LSTM이 예측 정확도에서 ARIMA를 현저히 능가하며 평균 오차 감소가 84–87%이다. 또한 학습 에포크(epoch) 수가 성능에 일관된 영향을 주지 않는다고 보고한다.

ABSTRACT

Forecasting time series data is an important subject in economics, business, and finance. Traditionally, there are several techniques to effectively forecast the next lag of time series data such as univariate Autoregressive (AR), univariate Moving Average (MA), Simple Exponential Smoothing (SES), and more notably Autoregressive Integrated Moving Average (ARIMA) with its many variations. In particular, ARIMA model has demonstrated its outperformance in precision and accuracy of predicting the next lags of time series. With the recent advancement in computational power of computers and more importantly developing more advanced machine learning algorithms and approaches such as deep learning, new algorithms are developed to forecast time series data. The research question investigated in this article is that whether and how the newly developed deep learning-based algorithms for forecasting time series data, such as "Long Short-Term Memory (LSTM)", are superior to the traditional algorithms. The empirical studies conducted and reported in this article show that deep learning-based algorithms such as LSTM outperform traditional-based algorithms such as ARIMA model. More specifically, the average reduction in error rates obtained by LSTM is between 84 - 87 percent when compared to ARIMA indicating the superiority of LSTM to ARIMA. Furthermore, it was noticed that the number of training times, known as "epoch" in deep learning, has no effect on the performance of the trained forecast model and it exhibits a truly random behavior.

연구 동기 및 목표

• 전통적 시계열 모델(ARIMA) 대비 딥 러닝 접근법(LSTM)의 경제 및 금융 데이터에 대한 상대 예측 정확도 평가.
• LSTM 사용할 때 ARIMA보다 예측 오차의 평균 개선 폭 정량화.
• 시계열 예측에서 학습 동학(epoch)이 LSTM 성능에 어떤 영향을 미치는지 조사.

제안 방법

• 경제/금융 시계열에 대한 ARIMA와 LSTM 예측을 검토 및 실증 비교.
• 표준 예측 오차 지표를 사용하여 성능 차이를 정량화.
• 학습 에포크가 LSTM 성능에 미치는 영향을 분석(에포크 수가 무작위적 동작/효과 없음으로 나타남).

실험 결과

연구 질문

• RQ1 LSTM 모델이 경제 및 금융 시계열 예측에서 ARIMA를 능가하는가?
• RQ2 LSTM을 사용할 때 ARIMA와 비교한 오차 감소 폭은 얼마?
• RQ3 이 분야에서 학습 에포크가 LSTM의 예측 성능에 어떤 영향을 미치는가?

주요 결과

• LSTM이 경제 및 금융 시계열 예측에서 ARIMA를 능가한다.
• LSTM 사용할 때의 평균 오차 감소율은 ARIMA 대비 84–87 퍼센트로 보고된다.
• 학습 에포크 수는 LSTM 성능에 일관된 영향을 보이지 않는다(무작위적 행동).