基于时间序列分析的印度经济预测框架

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《A Time Series Analysis-Based Forecasting Framework for the Indian
  Healthcare Sector》
---
作者：
Jaydip Sen and Tamal Datta Chaudhuri
---
最新提交年份：
2017
---
英文摘要：
  Designing efficient and robust algorithms for accurate prediction of stock market prices is one of the most exciting challenges in the field of time series analysis and forecasting. With the exponential rate of development and evolution of sophisticated algorithms and with the availability of fast computing platforms, it has now become possible to effectively and efficiently extract, store, process and analyze high volume of stock market data with diversity in its contents. Availability of complex algorithms which can execute very fast on parallel architecture over the cloud has made it possible to achieve higher accuracy in forecasting results while reducing the time required for computation. In this paper, we use the time series data of the healthcare sector of India for the period January 2010 till December 2016. We first demonstrate a decomposition approach of the time series and then illustrate how the decomposition results provide us with useful insights into the behavior and properties exhibited by the time series. Further, based on the structural analysis of the time series, we propose six different methods of forecasting for predicting the time series index of the healthcare sector. Extensive results are provided on the performance of the forecasting methods to demonstrate their effectiveness.
---
中文摘要：
在时间序列分析和预测领域，设计高效、稳健的算法来准确预测股票市场价格是最令人兴奋的挑战之一。随着复杂算法的指数级发展和演变，以及快速计算平台的可用性，现在可以有效地提取、存储、处理和分析大量内容多样的股票市场数据。复杂算法的可用性可以在云上的并行架构上快速执行，这使得预测结果的准确性更高，同时减少了计算所需的时间。在本文中，我们使用了2010年1月至2016年12月期间印度医疗行业的时间序列数据。我们首先演示时间序列的分解方法，然后说明分解结果如何为我们提供关于时间序列所显示的行为和属性的有用见解。此外，基于时间序列的结构分析，我们提出了六种不同的预测方法来预测医疗行业的时间序列指数。对预测方法的性能提供了广泛的结果，以证明其有效性。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> A_Time_Series_Analysis-Based_Forecasting_Framework_for_the_Indian_Healthcare_Sector.pdf (834.46 KB)

2022-6-13 22:52:34 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：时间序列分析 基于时间序列 印度经济 时间序列 经济预测

印度医疗部门jaydip SenPraxis商学院基于时间序列分析的预测框架，地址：Bakrahat Road，Off Diamond Harbor Road，Kolkata–700104，West Bengal，INDIAemail:jaydip。sen@acm.organdTamal达塔乔杜里加尔各答商学院，比什努布尔钻石港湾路-743503西孟加拉邦，印度邮箱：tamalc@calcuttabusinessschool.orgAbstractDesigning准确预测股票市场价格的高效和稳健算法是时间序列分析和预测领域最令人兴奋的挑战之一。随着复杂算法的指数级发展和演变，以及快速计算平台的可用性，现在可以有效地提取、存储、处理和分析大量内容多样的股票市场数据。复杂算法的可用性可以在云上的并行体系结构上快速执行，这使得实现更高精度的信息计算结果成为可能，同时减少了计算所需的时间。在本文中，我们使用了印度医疗行业2010年1月至2016年12月的时间序列数据。我们首先演示时间序列的分解方法，然后说明分解结果如何为我们提供关于时间序列所显示的行为和属性的有用见解。此外，基于时间序列的结构分析，我们提出了六种不同的预测方法来预测医疗行业的时间序列指数。

对预测方法的性能提供了广泛的结果，以证明其有效性。关键词：时间序列、分解、趋势、季节、随机、霍尔特-温特斯预测、自回归（AR）、移动平均（MA）、自回归综合移动平均（ARIMA）、部分自相关函数（PACF）、自相关函数（ACF）。凝胶分类：G 11、G 14、G 17、C 631。引言开发一个准确的预测股票价格的框架一直是研究人员面临的最大挑战之一，尤其是对于那些属于人工智能（AI）和分析社区的研究人员。这一领域的研究人员提出了各种预测股价的技术、基本面和统计指标。这些方法产生了不同精度的结果。在我们之前的工作中（Sen&Datta Chaudhuri，2016a；Sen&Datta Chaudhuri，2016b；Sen&Datta Chaudhuri，2016c），我们提出了一种新的投资组合多样化和股价预测方法。我们认为，一个经济体中不同部门的股价变化模式并不完全相同，而各部门在其趋势模式、季节特征以及时间序列的随机性方面也各不相同。虽然股票市场的随机性一直是有效市场假说的主要基石，但试图证明或推翻该假说的文献，深入研究了不同股票的各种基本特征，并得出了不同的结果。

我们认为，除了不同公司股票的基本特征不同之外，不同股票的表现取决于它们所属行业的表现。由于每个部门都有自己的增长或疲软因素，因此属于不同部门的股票也会受到这些因素的影响。印度信息技术（IT）部门的财富背后的原因与医疗保健部门的金属部门的财富背后的原因不同，这些差异已经在优化投资组合选择和投资组合变动方面得到了适当和定量的考虑。在本文中，我们重点关注印度医疗行业的时间序列模式。我们采用2010年1月至2016年12月期间印度医疗行业的时间序列指数值。我们使用R编程语言分解时间序列。然后，我们证明了时间序列分解方法为我们深入了解时间序列的各种特征和属性提供了有用的见解。利用时间序列的趋势、季节和随机分量值，我们可以了解增长模式、季节特征以及时间序列指数值所显示的随机程度。我们还提出了一个广泛的时间序列预测框架，其中我们提出了六种不同的时间序列指数预测方法。我们对这六种方法进行了批判性分析，并解释了与其他方法相比，某些方法表现更好、预测误差值更低的原因。论文的其余部分组织如下。第2节简要介绍了文献综述，并讨论了时间序列分析和预测方面的一些现有工作。

第3节描述了我们在构建各种时间序列和将时间序列分解为其组件的拟议工作中使用的方法。第4节描述了医疗行业时间序列指数值分解为趋势、季节和随机成分的结果。根据分解结果，我们解释了您研究期间医疗行业时间序列显示的几个特征和行为。第5节详细讨论了本工作中提出的六种不同的预测方法。第6节介绍了基于六种预测技术中的每一种在医疗行业时间序列数据上的应用的广泛结果。还根据预测技术的五个不同指标对技术进行了比较分析—（i）最大误差、最小误差、平均误差、误差标准差和均方根误差（RMSE）。最后，第7节对本文进行了总结。2、相关工作文献中提出了预测日股价的几种方法和技术。在这些方法中，基于神经网络的方法非常流行。Mostafa（2010）提出了一种基于神经网络的技术，用于预测科威特股市的走势。Kimoto等人。（1990）提出了一种基于历史会计数据和各种宏观经济参数的神经网络预测股票回报变化的技术。Leigh等人（2005年）演示了使用线性回归和简单神经网络模型预测1981-1999年期间纽约证券交易所股票市场指数的方法。

Hammad et al.（2009）演示了如何训练人工神经网络（ANN）模型，使其收敛并产生高精度的股票价格预测结果。Dutta等人（2006年）使用人工神经网络模型对孟买证券交易所（BSE）2002年1月至2003年12月期间的SENSEX周环比值进行了高度准确的预测。Ying等人（2009年）使用基于BayesianNetwork（BN）的方法预测了1988-1998年间在道琼斯工业平均指数（道琼斯工业平均指数）中上市的28家公司的股价。Tsai和Wang（2009）证明，与传统回归和基于神经网络的方法相比，基于BN的方法在预测中通常具有更高的精度。Tseng等人（2012年）提出了一项工作，作者在1998年9月1日至2010年12月31日期间，将传统的时间序列分解（TSD）、Holtwiners（H/W）模型、Box-Jenkins（B/J）方法和基于神经网络的方法应用于50只随机选择的股票，以预测未来的股票价格。作者观察到，B／J、H／W和归一化神经网络模型的预测误差较小，而时间序列分解和非归一化神经网络模型的预测误差较大。Moshiri和Cameron（2010）设计了一个带有计量经济学模型的反向传播网络（BPN），以使用（i）Box-Jenkins自回归综合移动平均（BJARIMA）模型、（ii）向量自回归（VAR）模型和（ii）贝叶斯向量自回归（BVAR）模型预测通货膨胀。Thenmozhi（2001）运用混沌理论对1980年8月至1997年9月期间疯牛病股票价格的变化模式进行了研究。

作者观察到疯牛病敏感指数的日收益和周收益均表现出非线性特征，敏感指数的运动时间序列为弱混沌。Hutchinson等人（1994年）提出了一种新的方法，利用学习网络的原理来估计aderivative的价格。人工神经网络和混合系统在预测股票时间序列数据的股价方面特别有效。文献中存在大量基于ANN技术的股市预测命题（Shen等人，2007；Jaruszewicz&Mandziuk，2004；Ning等人，2009；Pan等人，2005；Hamid&Iqbal，2004；Chen等人，2005；Chen等人，2003；Hanias等人，2007；de Faria等人，2009）。文献中也提出了混合系统在股市时间序列数据分析中的许多应用（Wu等人，2008；Wang&Nie，2008；Perez-Rodriguez等人，2005；Leung等人，2000；Kim，2004）。在文献中，研究人员还提出了几种预测技术，特别是针对医疗领域的各种问题。Besseling&Shestalova（2011）提出了一种预测2011-2015年期间荷兰医疗保健部门中期支出的方法。他们确定了荷兰医疗保健部门的几个子部门，然后将医疗保健支出分为四类：人口、流行病学、预算和残差。基于这种分解，他们提出了一种新的预测方法，用于预测医疗保健部门的支出。Soyiri和Reidpath（2012）为健康状况的理论分析和预测方法提供了广泛的框架。

作者讨论了健康预测中的关键问题以及影响特定预测技术选择的健康数据特性。Sense等人（2015年）提出了一个模型，该模型预测了三种特定需求情景下医疗专用品供应的演变。作者设想的需求情景考虑了不同的驱动因素：人口统计学、服务利用率和医院床位。在模型输出的基础上，作者提出的框架使用混合整数规划模型来确定研究期间不同年份的医疗专业化补助金的最优分配。Ostwald&Klingenberger（2016）提出了一种量化德国口腔保健行业经济意义的新方法。作者提出了一个基于各种解释变量（如人口变化、吸纳行为、医疗技术进步、口腔发病率、总供给和收入水平）的口腔保健行业增长预测模型。根据他们的研究，作者预测，到2030年，德国医疗保健部门的总附加值将增长19.2%。

Finarelli&Johnson（2004）提出了一个全面的九步定量医疗服务需求预测模型：（i）收集历史数据，（ii）分析历史趋势，（iii）确定关键需求驱动因素，（iv）确定相关基准，（v）建模现有条件，（vi）制定基于人口的需求的核心假设，（vii）为供应商级需求制定核心假设，（viii）创建未来需求的基线预测，（ix）测试预测对核心假设变化的敏感性。Cote&Tucker（2001）认为，预测卫生服务需求的四种常用方法是：（i）百分比调整，（ii）12个月移动平均数，（iii）趋势线，和（iv）季节性预测。Schweigler等人（2009年）调查了基于时间序列的方法是否可以对医院急诊科的床位使用情况进行短期预测。作者观察到，具有自回归（AR）结构误差项的正弦模型和季节ARIMA模型在12小时的短期时间框架内产生稳健的预测。Kadri等人（2014年）开发了预测模型，用于预测2012年1月至2012年12月期间法国里尔医院急诊科的每日发病率。作者发现，基于ARIMA的时间序列分析是一种非常有效的方法，可以在12小时的短期时间框架内预测医院急救服务的需求。Beech（2001）提出了一种从广泛的可用数据中得出基于市场的医疗服务需求预测的方法。

作者使用的数据集包括初级和次级服务区、不同人口分组的服务区人口、排放率、市场规模和服务线的市场份额等信息。作者观察到，marketdynamics可以开发出能够有效预测未来需求的趋势模型。Myersand Green（2004）提出了一种预测医院未来需求的方法，并根据预测容量制定了设施总体规划。与上述工作相比，本文中的方法基于2010年1月至2016年12月期间印度医疗行业指数时间序列的结构分解。基于时间序列的分解，我们确定了印度医疗行业的几个有趣的特征。我们特别研究了时间序列的趋势性质、季节性模式和随机性程度。在分析医疗保健时间序列的性质后，我们提出了六种预测技术，用于预测2016年每个月该行业的指数值。我们计算了每种预测技术的相对准确度，并对在什么情况下特定技术的性能优于其他技术进行了关键分析。我们提出的分析框架可以作为预测印度其他股市指数行为的广泛方法。3、方法学在本节中，我们简要介绍了我们在这项工作中遵循的方法。我们使用R编程语言（Ihaka&Gentlest，1996）进行所有数据管理、数据分析和结果表示工作。