딥러닝을 이용한 이변량 장기종속시계열 예측

• Published in: Ŭngyong tʻonggye yŏnʼgu Vol. 32; no. 1; pp. 69 - 81
• Main Authors: 김지영, Jiyoung Kim, 백창룡, Changryong Baek
• Format: Journal Article
• Language: Korean
• Published: 한국통계학회 2019
• Subjects: deep learning; FARIMA; FIVARMA; long range dependent; LSTM; VARFIMA; 딥러닝; 장기종속시계열; 통계학; deep learning; long range dependent; LSTM; 딥러닝; FIVARMA; VARFIMA; FARIMA; 장기종속시계열
• ISSN: 1225-066X; 2383-5818
• DOI: 10.5351/KJAS.2019.32.1.069

본 논문에서는 딥러닝을 이용한 이변량 장기종속시계열(long-range dependent time series) 예측을 고려하였다. 시계열 데이터 예측에 적합한 LSTM(long short-term memory) 네트워크를 이용하여 이변량 장기종속시계열을 예측하고 이를 이변량 FARIMA(fractional ARIMA) 모형인 FIVARMA 모형과 VARFIMA 모형과의 예측 성능을 실증 자료 분석을 통해 비교하였다. 실증 자료로는 기능적 자기공명 영상(fMRI) 및 일일 실현 변동성(daily realized volatility) 자료를 이용하였으며 표본외 예측(out-of sample forecasting) 오차 비교를 통해 예측 성능을 측정하였다. 그 결과, FIVARMA 모형과 VARFIMA 모형의 예측값에는 미묘한 차이가 존재하며, LSTM 네트워크의 경우 초매개변수 선택으로 복잡해 보이지만 계산적으로 더 안정되면서 예측 성능도 모수적 장기종속시계열과 뒤지지 않은 좋은 예측 성능을 보였다. We consider bivariate long range dependent (LRD) time series forecasting using a deep learning method. A long short-term memory (LSTM) network well-suited to time series data is applied to forecast bivariate time series; in addition, we compare the forecasting performance with bivariate fractional autoregressive integrated moving average (FARIMA) models. Out-of-sample forecasting errors are compared with various performance measures for functional MRI (fMRI) data and daily realized volatility data. The results show a subtle difference in the predicted values of the FIVARMA model and VARFIMA model. LSTM is computationally demanding due to hyper-parameter selection, but is more stable and the forecasting performance is competitively good to that of parametric long range dependent time series models.