코스피 예측을 위한 EMD를 이용한 혼합 모형 = EMD based hybrid models to forecast the KOSPI

국문 초록 (Abstract)

본 연구에서는 시계열 자료의 비정상성과 비선형성과 같은 복잡성을 효과적으로 포용할 수 있는 경험적모드분해법(empirical mode decomposition; EMD)을 토대로 시계열 자료의 분석 및 예측을 위한 혼합(hybrid) 모형을 연구한다. EMD에 의하여 생성되는 내재모드함수(intrinsic mode function; IMF)는 해석 및 예측의 편리성을 개선하기 위하여 누적에너지의 개념을 사용하여 그룹화하였으며, 그룹화된 IMF 및 residue의 성분들은 그 성질에 따라서 ARIMA 모형 및 지수평활법과 결합된 혼합 모형으로 예측된다. 제안된 방법은 일별 코스피 지수의 예측을 위해서 적용하였다. 다양한 형태의 혼합 모형을 사용하여 코스피 지수를 예측하였으며 전통적인 예측 방법과 비교하였다. 분석 결과, 그룹화된 성분들은 코스피 지수의 움직임을 단기적, 중기적, 장기적으로 해석하는데 편리함을 주었으며, 그룹화된 IMF 및 residue를 각각 ARIMA 모형과 지수평활법으로 조합한 혼합 모형이 우수한 예측력을 보여주었다.

다국어 초록 (Multilingual Abstract)

The paper considers a hybrid model to analyze and forecast time series data based on an empirical mode decomposition (EMD) that accommodates complex characteristics of time series such as nonstationarity and nonlinearity. We aggregate IMFs using the concept of cumulative energy to improve the interpretability of intrinsic mode functions (IMFs) from EMD. We forecast aggregated IMFs and residue with a hybrid model that combines the ARIMA model and an exponential smoothing method (ETS). The proposed method is applied to forecast KOSPI time series and is compared to traditional forecast models. Aggregated IMFs and residue provide a convenience to interpret the short, medium and long term dynamics of the KOSPI. It is also observed that the hybrid model with ARIMA and ETS is superior to traditional and other types of hybrid models.

참고문헌 (Reference)

1 박민정, "순환성분 추출을 위한 EMD와 HP 필터의 비교분석: 한국의 거시 경제 지표에의 응용" 한국통계학회 27 (27): 431-444, 2014

2 Box, G. E. P., "Time Series Analysis: Forecasting and Control" Prentice Hall 1993

3 Wei, W. W., "Time Series Analysis" Addison-Wesley 2006

4 Huang, N. E., "The empirical mode decomposition and Hilbert spectrum for nonlinear and nonstationary time series analysis" 454 : 903-995, 1998

5 Brown, R. G., "Statistical Forecasting for Inventory Control" McGraw-Hill 1959

6 Holt, C. C., "Forecasting trends and seasonals by exponentially weighted moving average" Carnegie Institute of Technology 1957

7 De Livera, A. M., "Forecasting time series with complex seasonal patterns using exponential smoothing" 106 : 1513-1527, 2011

8 Wei, Y., "Forecasting the short-term metro passenger ow with empirical mode decomposition and neural networks" 21 : 148-162, 2012

9 Winters, P. R., "Forecasting sales by exponentially weighted moving averages" 6 : 324-342, 1960

10 Gould, P. G., "Fore-casting time series with multiple seasonal patterns" 191 : 207-222, 2008

11 Zhu, B., "Carbon price analysis using empirical mode decom-position" 45 : 195-206, 2015

12 Hyndman, R. J., "Automatic time series forecasting: the forecast package for R" 26 : 1-22, 2008

13 오희석, "A Multi-Resolution Approach to Non-Stationary Financial Time Series Using the Hilbert-Huang Transform" 한국통계학회 22 (22): 499-513, 2009

14 김동호, "A Hilbert–Huang transform approach for predicting cyber-attacks" 한국통계학회 37 (37): 277-283, 2008