Forecasting U.S. stock market indices with empirical mode decomposition based models

Abstract

Stock market prediction is regarded as one of the most challenging tasks in financial modeling due to the non-stationary nature and complexity of financial time series. In recent years, data-driven techniques like machine learning and signal processing have gained attention as potential solutions for improving prediction accuracy. One such technique is Empirical Mode Decomposition (EMD), which is effective in extracting intrinsic patterns from non-linear and non-stationary time-series data. EMD decomposes a time series into Intrinsic Mode Functions (IMFs), which represent different frequency components, thus enabling a more focused analysis of the data's underlying structures.

This study investigates the performance of Empirical Mode Decomposition (EMD) based Support Vector Regression (SVR) models for forecasting the S&P 600, S&P 500, and S&P 400 stock market indices. The results demonstrate that the EMD-SVR models significantly outperform the benchmark SVR models. The findings suggest that EMD enhances the predictive power of SVR models by improving their ability to capture underlying patterns, with marked improvements in accuracy, especially during periods of fluctuations where traditional models may struggle.

This study underscores the potential of EMD in dealing with noisy financial data and highlights its value as a preprocessing technique to refine predictions in complex nature of data.

Osakemarkkinoiden ennustaminen katsotaan yhdeksi taloudellisen mallintamisen haasteellisimmista tehtävistä, johtuen taloudellisten aikasarjojen epästationaarisuudesta ja monimutkaisuudesta. Viime vuosina datalähtöiset tekniikat, kuten koneoppiminen ja signaalinkäsittely, ovat saaneet huomiota potentiaalisina ratkaisuina ennustustarkkuuden parantamiseksi. Yksi tällainen tekniikka on Empirical Mode Decomposition (EMD), mikä on tehokas tapa erottamaan komponentteja epälineaarisista ja ei-stationaarisista aika-sarjoista. EMD hajottaa aikasarjan sisäisiin komponentteihin (IMFs), mitkä edustavat eri taajuuksia, mahdollistaen datan rakenteiden tarkemman analyysin.

Tässä tutkimuksessa tarkastellaan EMD -pohjaisten Support Vector Regression (SVR) -mallien suorituskykyä S&P 600, S&P 500 ja S&P 400 osakemarkkinaindeksien ennustamisessa. Tulokset osoittavat, että EMD-SVR-mallit ylittävät merkittävästi vertailumallit (SVR). Havainnot viittaavat siihen, että EMD parantaa SVR-mallien ennustetehoa parantamalla niiden kykyä tunnistaa taustalla olevia vaihteluja, ja parantaa tarkkuuta erityisesti korkeiden vaihteluiden aikana, jolloin perinteisillä malleilla voi olla haasteita ennusteiden tarkkuuksien kanssa.

Tämä tutkimus korostaa EMD:n potentiaalia käsitellä kohinaista taloudellista dataa ja sen arvoa esikäsittelytekniikkana monimutkaisen datan ennusteiden tarkentamiseksi.