Improving Time Series Forecasting Performance by Fuzzy Decision Fusion

Abstract

Time series data can be collected in many domains including econometric, signal processing, weather forecasting, and earthquake prediction. Accurate prediction of time series prices is essential for investors, meteorologist, or statisticians. Forecasting of the financial time series has intrinsic complexity due to uncertainties of factors that affect it. In this study, better forecasting of the financial stock market time series movements is targeted using the closing prices of the stock market. In this work, our objective is to implement a set of well-known financial time series forecasting models such as Autoregressive-Integrating-Moving-Average (ARIMA), Exponential Smoothing, Support Vector Regression (SVR), Long-Short Time Memory (LSTM), and to merge the forecasted decision by using fuzzy knowledge-based decision system. The difference of this thesis compared to the previous works is mainly the expert-decided membership functions instead of clustering in building the fuzzy rule base. An experimental demonstration has been carried out on the S&P 500 index using the closing prices of this Index. The results shows that the fuzzy decision fusion procedure gives lower cumulative absolute prediction error than cumulative error of forecasts of each individual model. Keywords: time series, time series forecasting, fuzzy decision fusion, fuzzy logic system, fuzzy rule generation.

ÖZ: Zaman serisi verileri, ekonometri, sinyal işleme, hava durumu tahmini, deprem tahmini dahil olmak üzere birçok alanda üretilir ve kullanılır. Yatırımcılar, meteorologlar ve istatistikçiler için serilerin doğru tahmin edilmesi çok önemlidir. Zaman serilerini etkileyen faktörlerin belirsizliklerinden dolayı, mali zaman serilerinin tahmini içsel karmaşıklığa sahiptir. Bu çalışmada finansal borsa zaman serisi hareketlerinin tahmininin, yalnızca borsa endeksinin kapanış fiyatları ve hacmi kullanılarak iyileştirilmesi hedeflenmiştir. Önerilen yöntem, Otoregressif-Bütünleşik-Hareket-Ortalaması (ARIMA), Üstel yumuşatma (ESM) Destek Vektör Regresyonu (SVR), Uzun Kısa Süreli Bellek (LSTM) gibi mevcut zaman serisi verilerinden bir finansal zaman serisinin gelecekteki fiyatını tahmin etme yeteneğine sahip bir dizi model kullanmakta, ve eğitim veri seti üzerinden öğrendiği bulanık karar birleştirme kuralları bilgi tabanını kullanarak tahmin edilen değerlerin en iyisini seçebilmektedir. Bu çalışmada, önceki tez çalışmalarından farklı olarak, karar birleştirme için bulanık bir kural tabanı oluşturmada öbekleme yöntemleri yerine standart bulanık yöntemler kullanmaya odaklanılmıştır. S&P 500 endeksinden elde edilen veriler üzerinde, bu hisse endeksinin kapanış fiyatları zaman dizisi kullanılarak önerilen yöntemin deneysel bir gösterimi sunulmuştur. Sonuçlar, önerilen bulanık karar füzyon birleştirme yönteminin, bireysel modellerin her bir tahmininin kümülatif hatalarından daha düşük kümülatif mutlak tahmin hatası sağladığını göstermiştir. Anahtar Kelimeler: zaman serileri, zaman serisi tahmini, bulanık karar füzyonu, bulanık mantık sistemi, bulanık kural üretimi.