[论文解读] A Time Series Analysis-Based Forecasting Framework for the Indian Healthcare Sector

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

Stock Market Forecasting MethodsDecision Sciences被引用 19

一句话总结

本文提出了一种针对印度医疗保健行业的时序预测框架，采用分解方法并基于2010年1月至2016年12月的数据，应用六种不同的预测方法。结果表明，通过分解进行结构分析可提升预测准确性，实证结果在多个模型中显示出显著的性能提升，尤其在捕捉趋势和季节性成分方面表现突出。

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.

研究动机与目标

• 开发一个专为印度医疗保健行业量身定制的稳健时序预测框架。
• 利用时序分解分析医疗保健行业指数数据的结构特性。
• 评估并比较六种不同预测方法在印度医疗保健数据上的表现。
• 通过基于分解的结构分析，为市场行为提供可操作的见解。
• 通过利用时序中的趋势、季节性和残差分量，提升预测准确性。

提出的方法

• 本研究应用经典分解方法，将医疗保健行业指数时序数据分解为趋势、季节性和残差分量。
• 提出了六种预测方法并进行评估：ARIMA、指数平滑、神经网络、支持向量回归、集成平均法，以及一种结合分解与个体预测的混合模型。
• 分解过程有助于更清晰地识别潜在模式，从而提升模型输入质量。
• 采用标准指标（如MAE、RMSE和MAPE）在训练集与测试集上评估性能。
• 混合预测模型在分解后整合多个基础模型的预测结果，以增强鲁棒性和准确性。
• 所有模型均基于2010年1月至2016年12月的历史日收盘价进行训练与测试。

实验结果

研究问题

• RQ1 印度医疗保健行业指数中的趋势、季节性和残差分量在多大程度上影响预测准确性？
• RQ2 六种提出的预测方法中，哪一种能为印度医疗保健行业指数提供最准确的预测？
• RQ3 时序分解在多大程度上提升了预测模型的性能？
• RQ4 结合分解与多种算法的混合预测模型是否能优于单一模型？
• RQ5 印度医疗保健行业指数时序分解后会呈现出何种结构模式？

主要发现

• 分解过程揭示了2010年至2016年印度医疗保健行业指数中存在清晰的季节性模式和持续的上升趋势。
• 混合预测模型（结合分解与集成预测）在所有测试模型中取得了最低的RMSE和MAPE。
• ARIMA与指数平滑模型表现出中等性能，尤其在捕捉线性趋势方面表现良好。
• 神经网络与支持向量回归模型在捕捉非线性动态方面表现优异，尤其在市场波动时期。
• 使用分解显著提升了所有后续预测模型的准确性，通过分离并明确底层分量实现。
• 所提出的框架相较无分解的基线模型，将预测误差降低了高达25%。