[论文解读] Forecasting NIFTY 50 benchmark Index using Seasonal ARIMA time series models

Amit Tewari|arXiv (Cornell University)|Jan 1, 2020

Stock Market Forecasting Methods参考文献 3被引用 4

一句话总结

本研究应用季节性自回归积分滑动平均（SARIMA）模型，基于印度国家证券交易所（NSE）2009年至2019年共11年的月度收盘价数据，对NIFTY 50指数进行预测。通过赤池信息准则（AIC）选择的SARIMA(2,2,1)×(2,2,1,12)模型在6个月保留样本验证中实现了0.9%的MAPE和139.67的RMSE，表明该模型对印度基准股票指数具有较高的预测精度。

ABSTRACT

This paper analyses how Time Series Analysis techniques can be applied to capture movement of an exchange traded index in a stock market. Specifically, Seasonal Auto Regressive Integrated Moving Average (SARIMA) class of models is applied to capture the movement of Nifty 50 index which is one of the most actively exchange traded contracts globally [1]. A total of 729 model parameter combinations were evaluated and the most appropriate selected for making the final forecast based on AIC criteria [8]. NIFTY 50 can be used for a variety of purposes such as benchmarking fund portfolios, launching of index funds, exchange traded funds (ETFs) and structured products. The index tracks the behaviour of a portfolio of blue chip companies, the largest and most liquid Indian securities and can be regarded as a true reflection of the Indian stock market [2].

研究动机与目标

• 开发一个针对印度股市基准指数NIFTY 50指数的稳健时间序列预测模型。
• 评估季节性自回归积分滑动平均（SARIMA）模型在捕捉指数价格走势中趋势与季节性特征方面的有效性。
• 利用赤池信息准则（AIC）识别最优SARIMA参数组合，以提升预测精度。
• 通过标准误差指标，在保留期（2019年1月至2019年6月）验证模型的预测性能。
• 基于2009年至2019年完整数据集，生成NIFTY 50指数2020年1月至12月的样本外预测。

提出的方法

• 本研究使用来自NSE官网的11年月度NIFTY 50收盘价数据（2009–2019），由于2008年金融危机后的结构性变化，排除了2008年以前的数据。
• 采用时间序列分解方法识别趋势、季节性（12个月周期）和残差噪声成分。
• 共评估了729种SARIMA(p,d,q)×(P,D,Q,12)模型组合，基于赤池信息准则（AIC）选择最优模型。
• SARIMA模型结构结合了非季节性部分（p,d,q）与季节性部分（P,D,Q,m），其中m=12以捕捉年度季节性。
• 对2018年1月至2018年12月执行了一步 ahead 预测，以评估模型性能。
• 最终模型在完整2009–2019年数据集上重新训练，以生成2020年1月至12月的12个月预测。

实验结果

研究问题

• RQ1 SARIMA模型能否有效捕捉NIFTY 50指数时间序列中的趋势与季节性模式？
• RQ2 基于AIC作为选择标准，NIFTY 50指数预测的最优SARIMA参数组合（p,d,q,P,D,Q,m）是什么？
• RQ3 所选SARIMA模型在6个月保留样本期内的预测准确性如何？
• RQ4 所选模型能否生成训练期之外的可靠样本外预测？
• RQ5 与非季节性ARIMA模型相比，引入季节性差分在多大程度上提升了预测精度？

主要发现

• 基于最低AIC得分1008.06，SARIMA(2,2,1)×(2,2,1,12)模型被选为最优模型。
• 在2019年1月至6月的6个月保留样本验证期内，模型的平均绝对百分比误差（MAPE）为0.9%。
• 同一验证期内的均方根误差（RMSE）为139.67，实际值范围在10,800至11,800之间。
• 时间序列分解确认了NIFTY 50指数中存在明确的12个月季节性模式及4年周期性趋势。
• 模型表现出高预测精度，在验证窗口期内达到99.1%的预测准确率。
• 最终模型利用2009–2019年完整数据集，生成了2020年1月至12月NIFTY 50指数的12个月预测。