Conceitos Básicos
AR-Sieve 부트스트랩을 이용한 랜덤 포레스트 모델이 기존 부트스트랩 방법들에 비해 더 높은 예측 정확도를 보인다.
Resumo
이 연구에서는 AR-Sieve 부트스트랩(ARSB)을 랜덤 포레스트(RF) 알고리즘에 적용하여 시계열 예측 성능을 평가하였다. ARSB는 관측치의 의존성을 고려하여 부트스트랩 샘플을 생성하는 잔차 재표본화 기법이다.
시뮬레이션 연구를 통해 다음과 같은 결과를 확인하였다:
ARSB를 적용한 RF 모델은 기존 부트스트랩 방법들(IID, 블록 부트스트랩)에 비해 최대 13%와 16%의 향상된 1단계 및 5단계 예측 정확도를 보였다.
ARSB는 RF 트리들 간의 다양성을 더 잘 반영하여 예측 성능 향상에 기여한다.
ARSB 기반 RF 모델의 성능은 AR 과정 우세 DGP에서 특히 우수하며, MA 과정 우세 DGP에서는 상대적으로 약한 모습을 보였다.
ARSB는 다른 부트스트랩 방법들에 비해 계산 복잡도가 다소 높지만, 실용적인 수준의 계산 시간을 보였다.
이 연구 결과는 ARSB가 시계열 예측을 위한 RF 모델 구축에 효과적으로 활용될 수 있음을 시사한다. 향후 이론적 타당성 및 일관성에 대한 추가 연구가 필요할 것으로 보인다.
Estatísticas
시계열 길이 T=533, 평균 AR 모형 차수 p=3.4에서 ARSB 기반 RF 모델의 평균 실행 시간은 약 0.06초이다.
Citações
"ARSB는 RF 트리들 간의 다양성을 더 잘 반영하여 예측 성능 향상에 기여한다."
"ARSB 기반 RF 모델의 성능은 AR 과정 우세 DGP에서 특히 우수하며, MA 과정 우세 DGP에서는 상대적으로 약한 모습을 보였다."