Time-Series Forecasting: Unleashing Long-Term Dependencies with Fractionally Differenced Data

要約

この研究では、分数差分 (FD) の力を活用して、時系列データの短期および長期の両方の依存関係を捕捉する新しい予測戦略を導入します。
従来の整数差分法とは異なり、FD はモデリング目的でメモリを安定化しながら、メモリを直列に保存します。
SPY インデックスの財務データに FD を適用し、ニュースレポートからの感情分析を組み込むことにより、この実証分析は、ターゲット変数の二項分類と組み合わせて FD の有効性を調査します。
FD シリーズのパフォーマンスを検証するために、教師付き分類アルゴリズムが採用されました。
この結果は、受信者動作特性/曲線下面積 (ROCAUC) およびマシューズ相関係数 (MCC) の評価によって確認されたように、整数差分法よりも FD が優れていることを示しています。

要約(オリジナル)

This study introduces a novel forecasting strategy that leverages the power of fractional differencing (FD) to capture both short- and long-term dependencies in time series data. Unlike traditional integer differencing methods, FD preserves memory in series while stabilizing it for modeling purposes. By applying FD to financial data from the SPY index and incorporating sentiment analysis from news reports, this empirical analysis explores the effectiveness of FD in conjunction with binary classification of target variables. Supervised classification algorithms were employed to validate the performance of FD series. The results demonstrate the superiority of FD over integer differencing, as confirmed by Receiver Operating Characteristic/Area Under the Curve (ROCAUC) and Mathews Correlation Coefficient (MCC) evaluations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google