[论文解读] 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)|May 11, 2016

Stock Market Forecasting Methods参考文献 5被引用 5

一句话总结

本文提出了一种专为金融行业设计的新型时间序列分解与预测框架，将其应用于印度的耐用品消费与小盘股行业（2010–2015年）。该框架通过结构分解方法识别出趋势、季节性和不规则成分，随后应用稳健的预测模型，展示了在预测精度方面的提升，并通过行业特定的行为分析增强了投资组合构建的洞察力。

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.

研究动机与目标

• 开发一种替代性时间序列分解框架，以捕捉金融时间序列中的行业特定动态。
• 利用2010年至2015年间的高频时间序列数据，分析印度耐用品消费与小盘股行业的结构性行为。
• 在分解后评估多种预测技术的准确性，以提升预测性能。
• 评估基于分解的预测对股票市场中知情投资组合选择的相关性。
• 通过标准化的训练与测试数据划分，比较不同模型的预测性能。

提出的方法

• 作者采用结构分解方法，利用2010年1月至2015年12月的历史数据，将每个时间序列分解为趋势、季节性和不规则成分。
• 在分解后的成分上应用多种稳健的预测技术，如ARIMA、指数平滑法以及基于机器学习的模型。
• 通过滚动窗口或基于时间的划分方式分割训练与测试数据，以确保时间有效性与模型泛化能力。
• 使用标准指标（如MAE、RMSE和MAPE）在两个行业中评估模型的准确性。
• 该框架强调基于行业特定模式识别，以支持投资组合构建中的风险-收益权衡。
• 将分解与预测整合为统一的流程，以提升预测的可靠性。

实验结果

研究问题

• RQ1 印度耐用品消费与小盘股行业的时序模式在趋势、季节性和不规则性方面有何差异？
• RQ2 哪种分解与预测技术的组合能为这些金融行业提供最准确的预测？
• RQ3 行业特定的结构性分析在多大程度上改善了投资组合构建决策？
• RQ4 当应用于分解后的成分与原始时间序列时，不同预测模型的表现如何？
• RQ5 所提出的框架是否能在样本外预测精度方面持续优于传统预测方法？

主要发现

• 所提出的分解框架成功识别出耐用品消费与小盘股行业中独特的趋势与季节性模式，揭示了不同的市场行为特征。
• 在分解后成分上应用的预测模型，其RMSE与MAPE值显著低于基于原始数据训练的模型。
• 小盘股行业表现出更高的波动性与不规则性，而耐用品消费行业则显示出更稳定、可预测的季节性趋势。
• ARIMA与指数平滑模型在分解后数据上表现最佳，相比基线模型，RMSE最高降低达22%。
• 该框架在多个评估指标上均表现出一致的优越性能，支持其在投资组合风险评估中的相关性。
• 研究证实，行业特定的分解可提升预测精度，并支持更明智的资产配置决策。