시계열 분석 모델의 유형- AR과 MA

이번 영상에서는 AR과 MA를 비롯한 다양한 시계열 분석 모델의 유형이 어떤 것들이 있는지 함께 살펴보도록 하겠습니다. 우리는 앞서서 시계열 데이터의 굉장히 많은 특성에 대해서 하나하나 굳이 다 설명을 드리고 다뤄왔습니다. 왜냐면 결국 시계열 분석을 하는 데 있어서 우리가 단순히 오렌지 위젯에서 위젯을 갖다 놓고 연결하면 예측이 됩니다 라고 하는 것은 여러분께서 How-to를 익힐 수는 있지만 예측의 결과를 실제로 활용하는 데 있어서는 신뢰도의 문제가 발생할 수 있기 때문에 이것이 어떤 특성을 가지고 어떻게 이해되어야 하는가 하는 베이스를 말씀드렸는데요. 이걸 바탕으로 해서 우리가 결국 원하는 건 그래서 단순히 차분을 해서 정상성을 획득한다 그 자체가 우리의 목적은 아니고 우리가 진짜 원하는 건 그래서 다음 시점에 이 값은 얼마가 될 것인가 라는 걸 예측을 잘 해내는 것이죠 이렇게 예측을 해내는 능력을 갖고 있는 것들, 우리가 이것을 시계열 분석 모델이라고 부릅니다. 알고리즘이 시계열 데이터를 학습하고 이해함으로써 그래서 다음에 얼마나 될 것이다 라고 하는 예측값을 내놓을 수 있게 되는 거죠. 이러한 시계열 분석 모델은 크게 보면 두 가지로 나눌 수 있습니다 첫 번째의 모델들은 이 기준에 가장 중요한 것은 정상성이 필요하다 정상성을 굳이 획득하지 않아도 괜찮다 우리가 앞서 말한 것처럼 정상성이라고 하는 것은 시계열 데이터가 시계열적인 특성을 갖고 있지 않은 상태 이게 바로 정상성이에요 정상성을 갖고 있지 않으면 그때부터 통계적인 분석을 할 수가 있게 되는 거죠 그래서 정상성을 시계열 특성을 잃어버린 다음에 이제 본격적으로 다룰 수 있게 되는 모델들은 쉽게 생각하면 다른 의미로는 이것은 통계적 시계열 분석 모델이구나 라고 이해하시면 되겠습니다 이것은 이제 시계열을 통계적으로 이해를 하는 겁니다 그런데 시계열을 통계적으로 이해하지 않고 정말 다른 다양한 머신러닝적인 방법을 사용해서 이해하는 모델들도 있어요 그런 모델들이 있습니다 그런 경우에는 굳이 정상성이 없어도 괜찮은 거죠 통계적인 전제가 없어도 데이터를 다룰 수 있는 모델들도 존재합니다 그러한 모델들은 예를 들면 통계적인 기법을 쓰긴 쓰는데 비정상성인 상태, 원래 데이터의 시계열성을 다 갖고 있는 상태에서도 돌아갈 수 있다 라고 하는 것들로는 예를 들면 메타가 만든 Prophet이라고 하는 것도 있고요 그리고 S-ARIMA라고 하는 이러한 것들도 있습니다 RNN, LSTM, GRU 등 딥러닝 모델도 있고 시계열은 숫자라고 치고 다 밀어넣어서 판단하라고 하는 여러 가지 머신러닝 모델도 있어요. 가능합니다. 하지만 이러한 판단은 정상성을 필요로 하지 않는 이러한 모델들은 사실상 위쪽에 있는 두 가지 같은 경우에는 좋은 모델이긴 하지만 사실 이것을 일반적으로 우리가 활용하기에는 쉽지가 않습니다. 왜냐하면 굉장히 잘 정제되고 굉장히 많은 컴퓨팅 자원을 준비해 둔 상태에서 돌아갈 수가 있거든요. 이러한 것들은 개인 차원에서 또는 소규모 팀을 위해서 쓰기에는 조금 어려운 모델이다. 이렇게 보시면 좋을 것 같아요. 머신러닝 모델은 다양한 지도학습의 방법들이 있는데 이것들은 실제 시계열 데이터를 시계열적인 속성을 무시하고 굉장히 많은 데이터에서 어떤 식으로 패턴을 찾아낸다는 방법입니다. 작은 일을 하기 위해서 너무 커다란 것이 필요한 상황이라고 보시면 더 좋을 것 같고 어쨌든 시계열은 시계열의 특성을 갖고 있기 때문에 그 특성을 조금 더 잘 반영해서 변환하는 과정을 거치는 것이 더 효율적인 방법일 수도 있다 라고 말씀을 드리겠습니다 그래서 우리가 흔히 시계열 데이터 분석이라고 할 때는 그러한 시계열 데이터 분석 방법들은 대체적으로 정상성을 획득한 상태에서 돌아가게 되는 AR과 MA의 결합 모델을 ARIMA라고 한다고 보시면 좋겠습니다. 정상성을 기반으로 한 모델들 중에서도 AR 모델이 있고 MA 모델이라고 하는 게 있습니다. AR이 있고 MA가 있는데요. AR이라고 하는 것은 Auto Regressive인 거거든요. 자기회귀 모델입니다. 자기회귀 모델. 그리고 MA라고 하는 건 Moving Average라고 하는 건데요. 얘네들은 어떻게 이해하시면 좋냐면 일단 둘 다 정상성 변환은 필요로 한다. 이것들은 어떤 데이터가 있을 때 이 데이터를 이 데이터를 가지고 얘를 이해하기 위해서 앞에 있는 값들을 분명 사용하기는 합니다 앞에 어떻게 과거에 이 데이터의 앞에 값들이 앞에 시점에서 어떤 변화를 거쳐 왔는가 라고 하는 것을 판단을 해요. 근데 이때 AR이 하는 방식은 정말 이 값을 값끼리 직접 연결해서 판단하는 방법, 이게 바로 AR입니다. 어떤 시계열 데이터가 있을 때 정말 그 데이터를 그 자체로 사용하는 거죠. 이게 바로 AR 모델입니다. 과거의 값이 현재의 값에 미치는 영향을 본다 라고 하는 거예요. MA는 뭐냐 라고 하면 MA는 이 데이터를 직접 사용하는 게 아니라 한 번 우회를 합니다. 어떻게 우회하느냐 라고 하면 이동평균에 의한 일종의 예측값을 하나 만들어요 이 시점에는 값이 내가 예상할 때는 이만큼이라고 생각했는데 실제는 이만큼이었다 라고 하면 이 둘 사이에는 이렇게 오차가 존재하게 되는 거죠 이동 평균에 의해서 이만큼이 나올 줄 알았어 그런데 실제로는 여기였어 그러니까 요만큼의 오차가 있어 라고 할 때 이 오차를 사용하는 그러한 방식이 바로 MA입니다 각각의 값들이 예상되는 값이 있었고 실제 값이 있으니까 그 각각에 대해서 이렇게 이렇게 오차들이 있을 거 아니에요. 그러면 이 오차 값들을 가지고 다음 값을, 이 오차를 이용해서 다음 값을 예상하는 방식, 이게 바로 MA입니다. 과거의 예측 오차를 활용해서 다음 시점을 예측하는 이러한 방식이 바로 MA다 라고 보시면 좋을 것 같아요. 둘 다 기본적으로는 정상성을 필요로 하고요 과거 값을 가지고 현재 값을 예측한다라고 하는 면에서는 똑같은데 다만 값을 직접 쓰면 AR인 거고 일종의 예측이 있고 그 예측과 실제의 오차들을 다 기록해서 걔네들을 통해서 다음 값을 예측하는 것이 MA다 라고 보시면 좋겠습니다 이 두 가지의 모델은 각각 잘 사용되기도 하고요 AR 모델과 MA 모델을 결합한다면 ARMA라고 불러요. 자기회귀 이동평균 모델을 누적시켜서 조금 더 복잡하게 만들어내는 그런 모델을 AR과 MA의 결합 모델이라고 이렇게 ARIMA라고 부르기도 합니다. 보시면 기본적으로 정상성 변환을 한 다음에 예측을 돌리게 되는 이런 시계열 분석 모델은 크게 보면 AR과 MA가 있다고 보시면 되겠고 얘네들은 각각 별개의 노선도 있고 이것을 결합하는 모델도 있다고 보시면 좋겠습니다. 우리는 이 뒤의 영상에서 AR에 관련돼서는 가장 AR의 대표 모델이라고 하는 VAR이라고 하는 모델을 좀 해볼 거고 MA에 대해서는 MA로 이렇게 이동평균법을 이용해서 데이터를 요약하는 것 그리고 ARIMA 모델, ARIMA라고 있습니다. 그래서 ARIMA 모델을 이용해서 예측하는 이런 것들을 한번 해보려고 합니다. AR 모델과 MA 모델은 물론 AR에 속하는 모델들도 되게 많고 MA에 속하는 모델도 많다고 보시면 좋겠어요. 이것은 모두 다 어떤 시계열 분석 모델들의 그룹의 이름이다 라고 보시면 좋겠고요. 크게 보면 일단 어떤 부분이 다른가요 라고 할 때 가장 근본적인 차이는 앞서 말씀드린 것처럼 값을 사용하느냐 예측 오차를 사용하느냐의 차이입니다. 어떤 걸 사용하느냐의 차이다 라고 할 수 있는데요 이것으로 인해서 값을 직접 쓰는 것으로 인해서 발생하는 어떤 효과가 있고 예측 오차를 사용하기 때문에 발생하는 효과가 있어요 어떤 효과가 있고 어떤 경우에 쓰느냐 라고 하는 것을 조금 복잡한 수식보다는 그런 부분에 조금 더 집중해서 보시면 좋을 것 같은데요 여러분이 조금 알아 두시면 더 좋겠다 라고 하는 부분을 말씀드리자면 얘는 값을 사용하잖아요 값을 사용하기 때문에 사실 이렇게 변환 과정이 복잡하지 않아요 그래서 조금 간단한 편이고 이해하기도 쉬워요 근데 얘는 어떤 부분이 있느냐 라고 하면 값 자체를 비교하면서 추세 같은 장기적인 패턴을 포착하는 데는 AR 모델이 비교적 효과적이다 라고 볼 수 있습니다 추세라는 것은 얘가 이쪽 방향으로 가고 있다는 걸 알아채는 거잖아요. 그렇게 어떤 방향으로 가고 있는가, 이게 어느 쪽 방향으로 가고 있느냐라고 하는 것을 확인하는 그러한 과정에서 우리가 AR이 조금 더 효과적일 수가 있다. 장기 패턴을 찾는 것에 좀 강하다고 보시면 좋겠고요. MA 모델 같은 경우에는 예측 오차를 없애는 거잖아요. 예측 오차를 없애면서 평활화라고 하는 것을 하게 됩니다. 평활화라고 부르는데요. 굉장히 변동이 심한 데이터들을 조금 편안하게 만들어주는 거예요. 짧게 보면 막 난리가 난 것 같은데 그거 가만히 들여다보면 대충 그래서 이렇게 변하고 있는 거야 라고 하는 굉장히 복잡한 데이터의 변동을 조금 스무스하게 바꿔주는 MA 모델이 강력합니다. 그래서 데이터가 너무 정신없다. 왔다갔다 변동이 너무 크다. 그럴 때 우리가 MA 모델을 이용해서 평활화를 하는 것이 좋고요 다만 오차를 계산하는 거잖아요 그럼 예측 값은 어떻게 만들어졌고 그리고 오차는 어떻게 만들어졌고 그 오차를 가져다가 현재 값을 어떻게 예측을 했는데 당연히 그 오차를 반영시키는 것도 바로 앞에 있는 데이터의 오차와 한 10년 전 데이터의 오차는 중요도가 다르거든요 그래서 중간에 가중을 어떻게 했느냐 라고 하는 부분들 굉장히 많은 요소들이 들어가면서 사실상 MA 모델은 이것을 좀 이해하는 것이 얼핏 처음에 MA 모델의 개념에 접근하는 건 크게 어렵지 않지만 이것을 가지고 그런 예측값이 왜 나왔는가 라고 하는 것까지는 조금 어려운 부분도 있다 해석하는 어려운 부분도 있다 라는 말씀을 드립니다 그럼에도 불구하고 얘를 왜 사용하느냐 라고 하면 얘는 단기적인 충격 뭔가 이렇게 한마디로 막 난리가 난 이러한 데이터 그런 데이터를 조금 더 포괄적으로 이해하고 하는 데는 이런 MA라고 하는 것이 굉장히 중요하다 이동평균을 구할 필요가 있다 이렇게 정리할 수 있겠습니다. 실제 사용하는 값이 다르고요. 예측에 사용하는 값이 다르고 어떤 값을 쓰느냐 라고 하는 부분에 차이가 있고 그것으로 인해서 어떻게 되는 효과가 한쪽은 뭔가 여러분께서 기억해 주시면 좋은 게 장기적인 패턴을 보는데 AR 모델이 조금 편하다 라고 하는 것 그리고 데이터가 너무 정신없게 변동이 요란하다 라고 하면 MA 모델을 거치면 조금 더 좋다 이런 정도의 구별만 하셔도 크게 문제는 없을 것 같다는 말씀을 드리고 이렇게 한번 정리를 좀 하도록 하겠습니다