Fusion of Movement and Naive Predictions for Point Forecasting in Univariate Random Walks

要約

単変量ランダム ウォークにおける点予測の従来の方法では、データの予測不可能性のため、単純なベンチマークを超えることができないことがよくあります。
本研究では、動き予測（二値分類）と単純予測を融合し、正確な一歩先の地点予測を実現する新しい予測手法を紹介します。
この方法の有効性は、理論分析、シミュレーション、および実世界のデータ実験を通じて実証されます。
最小 0.55 の動き予測精度で素朴な予測を確実に上回り、S\&P 500 指数とビットコイン価格の予測において ARIMA、線形回帰、MLP、LSTM ネットワークなどのベースライン モデルを上回ります。
この方法は、正確な点予測が困難でも正確な動き予測が達成できる場合に特に有利であり、動き予測をランダム ウォーク コンテキストでの点予測に変換します。

要約(オリジナル)

Traditional methods for point forecasting in univariate random walks often fail to surpass naive benchmarks due to data unpredictability. This study introduces a novel forecasting method that fuses movement prediction (binary classification) with naive forecasts for accurate one-step-ahead point forecasting. The method’s efficacy is demonstrated through theoretical analysis, simulations, and real-world data experiments. It reliably exceeds naive forecasts with movement prediction accuracies as low as 0.55, outperforming baseline models like ARIMA, linear regression, MLP, and LSTM networks in forecasting the S\&P 500 index and Bitcoin prices. This method is particularly advantageous when accurate point predictions are challenging but accurate movement predictions are attainable, translating movement predictions into point forecasts in random walk contexts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google