[논문 리뷰] Forecasting model based on information-granulated GA-SVR and ARIMA for producer price index

Xiangyan Tang, Liang Wang외 2명|arXiv (Cornell University)|2019. 03. 28.

Stock Market Forecasting Methods참고 문헌 22인용 수 3

한 줄 요약

이 논문은 퍼지 정보 그레뉴레이션, 유전 알고리즘 최적화된 서포트 벡터 회귀(GA-SVR), 그리고 ARIMA를 통합하는 새로운 하이브리드 예측 모델을 제안한다. 이를 통해 생산자 물가지수(PPI) 예측 정확도를 향상시킨다. PPI 데이터를 사전에 퍼지 정보 그레뉴레이션으로 분류하고, 각 그레뉴레이션에 대해 별도의 GA-SVR 모델을 훈련한 후 잔차를 ARIMA로 보정함으로써, 실제 테스트에서 ARIMA, GRNN, 단독 GA-SVR 모델보다 뛰어난 정확도를 달성한다.

ABSTRACT

The accuracy of predicting the Producer Price Index (PPI) plays an indispensable role in government economic work. However, it is difficult to forecast the PPI. In our research, we first propose an unprecedented hybrid model based on fuzzy information granulation that integrates the GA-SVR and ARIMA (Autoregressive Integrated Moving Average Model) models. The fuzzy-information-granulation-based GA-SVR-ARIMA hybrid model is intended to deal with the problem of imprecision in PPI estimation. The proposed model adopts the fuzzy information-granulation algorithm to pre-classification-process monthly training samples of the PPI, and produced three different sequences of fuzzy information granules, whose Support Vector Regression (SVR) machine forecast models were separately established for their Genetic Algorithm (GA) optimization parameters. Finally, the residual errors of the GA-SVR model were rectified through ARIMA modeling, and the PPI estimate was reached. Research shows that the PPI value predicted by this hybrid model is more accurate than that predicted by other models, including ARIMA, GRNN, and GA-SVR, following several comparative experiments. Research also indicates the precision and validation of the PPI prediction of the hybrid model and demonstrates that the model has consistent ability to leverage the forecasting advantage of GA-SVR in non-linear space and of ARIMA in linear space.

연구 동기 및 목표

• 데이터의 모호성과 비선형성으로 인한 예측 정확도 저하 문제를 해결하기 위해.
• 비선형 공간에서의 GA-SVR 강점과 선형 공간에서의 ARIMA 강점을 활용하는 하이브리드 예측 모델을 개발하기 위해.
• PPI 학습 데이터를 구분된 그레뉴레이션 시퀀스로 사전 전처리하기 위해 퍼지 정보 그레뉴레이션을 적용함으로써 예측 정밀도를 향상시키기 위해.
• GA-SVR 예측 결과의 잔차를 ARIMA 모델링을 통해 보정함으로써 예측 오차를 감소시키기 위해.
• ARIMA, GRNN, GA-SVR와 같은 기존 모델들과의 비교에서 제안된 모델의 일관성과 우수성을 검증하기 위해.

제안 방법

• 월간 PPI 학습 데이터를 퍼지 정보 그레뉴레이션을 적용하여 세 개의 서로 다른 퍼지 정보 그레뉴레이션 시퀀스로 사전 분류한다.
• 각 그레뉴레이션 시퀀스에 대해 개별적으로 서포트 벡터 회귀(SVR) 모델을 훈련하며, 초모수는 유전 알고리즘(GA)을 사용해 최적화한다.
• GA-SVR 모델이 각 그레뉴레이션에 대해 초기 PPI 예측을 생성하여 다수의 예측 스트림을 생성한다.
• GA-SVR 예측값과 실제 PPI 값 간의 잔차를 추출하고, 이를 ARIMA를 사용하여 모델링하여 체계적인 예측 편차를 보정한다.
• 모든 그레뉴레이션에 걸쳐 보정된 GA-SVR 예측을 집계함으로써 최종 PPI 예측을 도출한다.
• 비선형 모델링(GA-SVR)과 선형 잔차 보정(ARIMA)을 통합하여 전체 예측의 강건성을 향상시킨다.

실험 결과

연구 질문

• RQ1 퍼지 정보 그레뉴레이션을 통해 PPI 예측 정확도를 향상시킬 수 있는가? 특히 데이터의 모호성을 줄이기 위해.
• RQ2 하이브리드 프레임워크 내에서 GA-SVR과 ARIMA를 조합하면 단독 모델보다 더 나은 PPI 예측을 얻을 수 있는가?
• RQ3 ARIMA를 이용한 잔차 오차 보정이 GA-SVR의 PPI 예측 성능을 얼마나 향상시키는가?
• RQ4 다양한 평가 지표를 기준으로 제안된 모델은 ARIMA, GRNN, GA-SVR와 비교해 정확도에서 얼마나 뛰어나게 나타나는가?
• RQ5 이 하이브리드 모델은 PPI 예측에서 비선형(GA-SVR)과 선형(ARIMA) 모델링의 상호보완적 강점을 일관되게 활용하는가?

주요 결과

• 제안된 GA-SVR-ARIMA 하이브리드 모델은 비교 실험에서 ARIMA, GRNN, 단독 GA-SVR 모델보다 더 높은 예측 정확도를 달성한다.
• 퍼지 정보 그레뉴레이션의 통합은 PPI 시계열에서 데이터의 모호성을 다루는 데 모델의 능력을 크게 향상시킨다.
• ARIMA를 이용한 잔차 오차 보정은 GA-SVR 구성 요소에서 발생하는 체계적인 예측 오차를 효과적으로 감소시킨다.
• 모델은 다양한 데이터 그레뉴레이션에서 일관된 성능을 보이며, 다양한 PPI 패턴을 다루는 데 있어 강건성을 입증한다.
• 비선형 모델링 강점(GA-SVR)과 선형 오차 보정 능력(ARIMA)을 성공적으로 조합함으로써 전체 예측 능력을 향상시켰다.
• 실증 결과는 모델의 타당성과 생산자 물가지수 예측에서 뛰어난 정밀도를 확인한다.