시계열 분석

통계의 거의 모든 방법은 행을 섞어도 아무것도 잃지 않는다고 가정합니다. 시계열은 그것이 거짓인 family입니다. 어제 값이 오늘을 알려주고, 지난 12월이 이번 12월을 닮습니다. 순서가 정보를 담으며, 행이 독립인 것처럼 분석하면 그 정보를 버립니다.

보상은 예측 — 위 점선 연장이 시사하듯 관측된 패턴을 미래로 연장하는 것입니다. 하지만 예측하기 전에, 시계열이 무엇으로 이루어졌는지 이해해야 합니다.

분해: 시계열의 부분들

모든 시계열은 몇 개 성분의 합입니다. 그것들을 분리하는 것이 첫 단계이자 흔히 가장 밝혀주는 단계입니다.

혼란스러워 보이는 매출 시계열이 흔히 꾸준한 상승 추세, 강한 12월 급증, 약간의 잡음으로 분해됩니다. 추세 분석과 계절 분해가 그 구조를 명시적으로 만듭니다.

정상성: 전제 조건

많은 시계열 모델이 정상 시계열 — 통계적 성질이 시간에 따라 표류하지 않는 — 을 요구합니다. 추세나 커지는 분산을 가진 시계열은 정상이 아니며, 모델링 전에 보통 (흔히 차분으로) 변환해야 합니다.

예측 모델들

ARIMA는 고전적 일꾼 — 정상 시계열을 그 자신의 과거 값과 오차로 모델링합니다. 지수평활은 흔히 그만큼 좋으면서 더 단순합니다. VAR은 상호작용하는 여러 시계열을 한 번에 다루고, GARCH는 수준이 아니라 변하는 변동성을 겨눕니다.

단 하나의 규칙: 시간을 절대 섞지 마라

시계열에서 가장 해로운 실수는 보통 데이터처럼 검증하는 것입니다. 행을 무작위로 나누면 모델이 과거를 예측하려고 미래를 엿보게 됩니다 — 쓸모없는 모델을 훌륭해 보이게 만드는 누수입니다.

1. 1항상 과거로 학습하고 미래로 검증, 무작위 분할은 절대 금지.
2. 2모든 테스트 창이 학습 창 뒤에 오도록 전진 연쇄(롤링) 분할 사용.
3. 3프로덕션이 그러하듯, 진짜로 나중에 온 데이터로 예측을 판단.

SKARI Statistical Lab의 시계열

SKARI의 Statistical Lab은 시계열을 독립된 family — 가장 큰 방법 집합 — 로 다루며, 분해·정상성 점검·예측을 내장했습니다.

• 추세 분석과 계절 분해
• 지수평활과 ARIMA 예측
• 상호작용하는 여러 시계열을 위한 VAR / VECM
• 변동성을 위한 GARCH 계열 모델
• 순서를 절대 섞지 않는 시간 인식 검증

자주 묻는 질문

ARIMA와 지수평활 중?

지수평활이 더 단순하고 추세·계절 데이터엔 흔히 경쟁력 있습니다. ARIMA는 자기상관 시계열에 더 유연합니다. 둘 다 시도해 전진 검증에서 비교하세요.

정상성이 뭔지 빠르게?

평균과 분산이 시간에 따라 표류하지 않는 시계열. 추세와 커지는 퍼짐이 그것을 깨고, 차분이 대개 회복시킵니다.

보통의 학습/테스트 분할을 써도 되나요?

아니요 — 시간을 절대 섞지 마세요. 과거로 학습하고 미래로 테스트하지 않으면 점수가 누수로 부풀려집니다.

핵심 요약

시계열 분석은 순서를 골칫거리가 아니라 신호로 다룹니다. 시계열을 분해하고, 정상으로 만들고, 그 구조에 맞는 모델을 적합하고, 전진 검증하면 — 진짜 미래가 도착할 때 예측이 버팁니다.