시계열 예측과 분석

Chapter 1 시계열분석
1.1 시계열자료의 형태
1.2 시계열자료의 표본구성
1.3 내용정리
1.4 시계열분석을 위한 라이브러리

Part 1 통계적 시계열 모형

Chapter 2 단순시계열 모형
2.1 Naive 예측모형
2.2 Naive 모형의 적용

Chapter 3 시계열 분해와 Exponential Smoothing
3.1 고전적 시계열 분해
3.2 Exponential smoothing

Chapter 4 ETS 모형
4.1 ETS 모형의 모수추정
4.2 ETS 모형의 선택과 예측
4.3 ETS 모형의 적용

Chapter 5 Theta 모형
5.1 Theta 모형의 구조
5.2 Theta 모형의 적용

Chapter 6 ARIMA 모형과 VARIMA 모형
6.1 ARIMA 모형
6.2 SARIMA 모형
6.3 SARIMA 모형의 설정, 모수추정, 그리고 예측
6.4 Automatic ARIMA와 ARIMA 모형의 분석 절차
6.5 SARIMA 모형의 적용
6.6 VARIMA 모형

Chapter 7 BATS와 TBATS
7.1 BATS 모형
7.2 TBATS 모형
7.3 BATS와 TBATS의 적용과 응용

Chapter 8 Kalman Filter
8.1 Kalman Filter의 이해
8.2 Linear Projection
8.3 Kalman Filter의 유도
8.4 Kalman Filter의 모수추정과 예측

Part 2 혼합형 시계열 모형

Chapter 9 AR-NET과 Conformal interval
9.1 AR-NET
9.2 Conformal interval

Chapter 10 Neural Prophet
10.1 추세
10.2 계절성
10.3 자기회귀모형과 과거공변량 회귀모형
10.4 미래공변량 회귀와 event 및 holiday 효과
10.5 Neural Prophet의 손실함수, 규제화, 그리고 자료사전정리 과정
10.6 global 모형과 local 모형
10.7 시계열 모형의 교차검증과 예측
10.8 Conformal 구간 추정

Part 3 머신러닝 및 딥러닝 시계열 모형

Chapter 11 Local 모형과 Global 모형
11.1 다중 시계열의 구조와 global 시계열 모형
11.2 다변량 시계열과 다중 시계열
11.3 회귀모형을 이용한 시계열 예측

Chapter 12 앙상블러닝을 이용한 시계열 분석
12.1 앙상블러닝을 기반한 시계열 분석

Chapter 13 N-BEATS와 N-HiTS
13.1 N-BEATS
13.2 N-HiTS
13.3 N-BEATS와 N-HiTS의 적용

Chapter 14 RNN을 이용한 시계열 예측
14.1 RNN 모형
14.2 RNN 시계열 모형의 적용

Chapter 15 TCN(Temporal Convolutional Networks)과 Transformers
15.1 TCN 시계열 모형
15.2 Transformer 시계열 모형

Chapter 16 DLinear, NLinear, 그리고 TiDE
16.1 LTSF-Linear 모형
16.2 TiDE
16.3 딥러닝 시계열 모형에서의 비정상 시계열
16.4 DLinear, NLinear, 그리고 TiDE의 적용과 응용

Chapter 17 TFT, 불변공변량, 그리고 설명가능성
17.1 TFT의 구조
17.2 TFT의 적용과 응용
17.3 불변공변량을 이용한 조건부 global 모형
17.4 TFT의 설명 가능성

Chapter 18 확률적 예측
18.1 확률적 예측
18.2 딥러닝 모형에서의 확률적 예측
18.3 Darts를 이용한 probabilistic forecast

Chapter 19 딥러닝 다변량 및 다중 시계열 모형
19.1 딥러닝 시계열 모형을 이용한 다중 시계열 및 다변량 시계열 분석
19.2 코스피, 코스닥 예측과 다변량 시계열 예측

Chapter20 DTW를 이용한 시계열의 군집과 주가예측
20.1 DTW(Dynamic Time Warp)와 Warping Path
20.2 시계열의 군집과 군집의 효과
20.3 패턴 탐색에 의한 주가 예측

[머리말]

'시계열 예측 방법은 (1) 통계적 방법, (2) 혼합적(hybrid) 방법, (3) 딥러닝 기반 방법으로 구분할 수 있다. 대표적인 통계적 방법은 시계열 분해, ARIMA, VARIMA 등이 있고, 혼합적 방법은 통계적 방법과 딥러닝 기반 방법을 혼합한 시계열 예측 기법으로 Prophet, Neural Prophet 등이 대표적이다. 딥러닝을 기반으로 하는 시계열 모형은 딥러닝의 3대 아키텍처인 MLP, RNN, CNN을 근간으로 시계열의 예측력을 획기적으로 향상시키고 정밀화하였으며, 대표적으로 BlockRNN, TCN, N-HiTs, Transformer, DLinear, TiDE, TFT 등이 있다.
저자는 지난 30여 년간 강단에서 통계적 시계열 모형을 강의해 왔고, 최근 7년여 동안은 머신러닝, 딥러닝, 강화학습, 그리고 XAI(explainable AI)를 강의해 왔기 때문에 딥러닝을 이용한 고수준 시계열 모형의 출현은 시간 문제라고 생각해 왔다. 특히, 최근 3~4년 동안 발표된 딥러닝 시계열 모형은 양적으로나 질적으로나 놀라운 성과를 보여주고 있다.
정밀한 시계열 예측은 금융, 물류, marketing, 인사, 경제계획, 의사결정 등에 결정적인 역할을 한다. 대형마트에는 수만 개의 item들이 있으며, 이 item들의 판매량은 실시간으로 기록되고 있다. 이런 데이터를 이용하여 item들의 판매량을 정확하게 예측하면 생산, 분배, 인력 수급, 배치 및 상품진열, 선택적 promotion, 광고 등에 대한 의사결정에 중요한 정보가 된다. 이러한 형태의 데이터를 multiple 데이터라고 하는데, 각 item의 시계열 관측치가 많을 뿐만 아니라 item의 수도 매우 큰 big data이므로 딥러닝을 기반으로 하는 시계열 모형의 적용은 필수적이다.
그러나 딥러닝 시계열 모형을 적용하기 위해서는 딥러닝에 대한 깊이 있는 사전지식과 tensorflow나 pytorch와 같은 프로그램 언어의 습득도 해야 하는 커다란 장애요인이 존재한다. 이를 회피하기 위해 저자는 간단하게 딥러닝 모형을 적용하고 응용할 수 있도록 Darts와 Neural Prophet이라는 라이브러리를 이용하였다. 저자는 시계열 예측에 있어서 딥러닝을 기반으로 한 시계열 모형과 혼합형 시계열 모형이 빠르게 기존의 통계적 시계열 모형을 대체할 것으로 생각한다. 라이브러리로 인해 딥러닝 모형을 통계적 시계열 모형보다 더 쉽게 적용할 수 있고, 대규모 시계열 데이터의 처리능력과 예측정밀도가 통계적 시계열 모형보다 훨씬 우수하며 이에 더해 예측 결과에 대한 이유와 설명변수의 기여도를 설명할 수 있게 되었기 때문이다.
이 책은 총 30여 개의 시계열 모형과 시계열 패턴 탐색으로 시계열을 예측하는 방법을 적용하고 응용할 수 있도록 구성하였다. 하나의 모형에 2개 이상의 초모수나 모형 가정을 선택하면, 최소한 60여 개의 모형을 주어진 시계열 데이터에 적용할 수 있다는 의미가 된다. 이 책의 내용을 숙지하면 보다 우수한 시계열 예측을 위한 모형설정, 예측 방법, 예측 결과 해석 방법을 습득하게 되며, 하나의 시계열 데이터에 수십개의 모형을 적합하여 만든 자신만의 앙상블 시계열 모형을 구축할 수 있는 능력을 가지게 된다.
좋은 책을 만들기 위해 노력하였지만 부족한 부분이 있을 수 있다. 이 점은 양해를 바라며 출간 후 나올 수 있는 수정사항 등은 자유아카데미 홈페이지(www.freeaca.com) 자료실에 제공할 예정이니 참고하기를 바란다.
끝으로, 이 책의 개념도를 그려주고 교정을 도와준 박진세 군의 노고에 감사를 전하고, 항상 응원하고 격려하는 사랑하는 가족에게도 감사의 마음을 전한다.