aalto1 untyped-item.component.html
Early time series classification: Methods and applications to financial market data
Loading...
URL
Journal Title
Journal ISSN
Volume Title
Sähkötekniikan korkeakoulu |
Bachelor's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
ELEC3014
Degree programme
Language
en
Pages
62
Series
Abstract
The ability to make accurate predictions early is important in many fields, especially financial markets, where early decisions provide a competitive advantage. Early time series classification (ETSC) addresses the need for early and accurate predictions by classifying a time series as accurately as possible, using the fewest possible observations. However, previous research on ETSC in finance has primarily focused on the use of univariate asset price data, leaving a research gap for multivariate methods that can utilize additional financial indicators.
This thesis addresses the research gap through an empirical study, which evaluates the performance of a recent multivariate model, CALIMERA, in predicting the intraday direction of the S&P500 index. The model was tested on a large dataset of minute-by-minute data between 2008 and 2021, and different combinations of financial indicators, such as macroeconomic data, technical indicators, and the VIX index, were used to evaluate the performance of multivariate early classification.
The results demonstrate that CALIMERA can effectively predict the intraday direction of markets, achieving a balanced result of 58.7% accuracy within the first 27 minutes of the trading day. Performance was highly dependent on the input features. The VIX and technical indicators had a notable positive impact on performance, while low-frequency macroeconomic data did not improve performance and occasionally acted as noise. The findings show that for ETSC, the quality of input variables and the early availability of predictive signals are more important than the dimensionality of the input data. This thesis shows that ETSC is a promising approach for financial prediction. However, careful feature selection and model calibration is shown to be important for achieving reliable early predictions.
Tarkkojen ennusteiden tekeminen varhaisessa vaiheessa on tärkeää monilla eri aloilla, etenkin rahoitusmarkkinoilla. Hyvissä ajoin saatu tieto voi antaa etulyöntiaseman kilpailijoita vastaan, kasvattaen yrityksen voittoja. Aikasarjojen eli aikaleimattujen datapisteiden sarjojen käyttäytymistä voidaan analysoida ja hyödyntää tulevien tapahtumien ennustamiseen. Perinteisessä aikasarjojen luokittelussa (time series classification, TSC) tavoitteena on päätellä, mihin luokkaan aikasarja kuuluu analysoimalla kokonaisen aikasarjan ominaisuuksia.
Varhainen aikasarjojen luokittelu (early time series classification, ETSC) perustuu TSC:hen, mutta mahdollistaa lisäksi osittaisten aikasarjojen luokittelun ja siten tulevaisuuden ennustamisen. ETSC:n tavoitteena on tehdä luokkaennuste mahdollisimman varhain ja mahdollisimman tarkasti. Varhaisuus ja tarkkuus ovat ristiriitaisia tavoitteita, koska varhaisempi päätöksenteko johtaa vääjäämättä pienempään saatavilla olevan tiedon määrään. ETSC-algoritmit yrittävät löytää parhaan mahdollisen tasapainon näiden kahden tavoitteen välillä.
Tämän kandidaatintyön tavoitteena oli tarkastella ETSC:n käyttökohteita, eri ETSC-menetelmiä ja menetelmien soveltamista rahoitusmarkkinoihin, joissa varhaiset ennusteet voivat antaa etulyöntiaseman. Aiempi rahoitusalan ETSC-tutkimus on käyttänyt pääasiassa yhden muuttujan aikasarjoja, hyödyntäen vain hintatietoja. Tästä johtuen rahoitusalan ETSC-tutkimuksessa on tutkimusaukko monimuuttujamenetelmille, jotka hyödyntävät lisäksi taloudellisia indikaattoreita. Rahoitusmarkkinoihin liittyvien ETSC-tutkimusten määrä on myös suppea. Tämä kandidaatintyö analysoi tutkimusaukkoa empiirisessä osuudessaan. Empiirisessä kokeessa testataan uuden monimuuttujamallin CALIMERA:n (Calibrated eArLy tIMe sERies clAssifier) suorituskykyä Standard and Poor's 500 (S&P500)-osakeindeksin päivänsisäisen hintakehityksen suunnan ennustamisessa. Kokeessa käytetty monimuuttujatietoaineisto vuosien 2008 ja 2021 väliseltä ajalta sisältää hintatietoja sekä erilaisia teknisiä ja makrotaloudellisia indikaattoreita, joiden eri yhdistelmiä testataan suorituskyvyn arvioimiseksi.
Empiirisen kokeen tulokset osoittavat, että ETSC:n käyttö rahoitusmarkkinoilla on lupaava käyttökohde pitkälti teoreettiselle tutkimusalalle. Testattu CALIMERA-malli ylsi parhaimmillaan 63%:n tarkkuuteen pörssipäivän ensimmäisten 76:n minuutin aikana. Mallin suorituskyky oli kuitenkin vaihtelevaa, sillä malli ylsi vain 58%:n tarkkuuteen ensimmäisten 27:n minuutin aikana. Suorituskykyyn vaikuttivat myös käytetyt muuttujat, ja parhaat tulokset saatiin hyödyntämällä volatiilisuusindeksiä ja teknisiä indikaattoreita. Mallin ennustukset olivat tarkempia nousevalle luokalle, ja laskevan luokan suorituskyky oli huomattavasti heikompaa. Tulokset osoittavat, että ETSC-monimuuttujamallit ovat mahdollisesti lupaavia rahoitusmarkkinoiden analyysissä, mutta eivät välttämättä ole olemassa olevia malleja parempia rahoitusmarkkinoiden ennustamisessa. Empiiriset tutkimustulokset olivat kuitenkin parempia kuin aikaisemmissa rahoitusmarkkinoita käsittelevissä ETSC-tutkimuksissa.