파이썬을 활용한 확률적 시계열 모델링
파이썬은 통계 데이터 분석과 머신러닝에 강력한 도구들로 무장되어 있어 시계열 분석에도 매우 적합합니다. 이 글에서는 파이썬을 이용해 확률적 시계열 모델을 구축하고 시뮬레이션하는 방법에 대해 알아보겠습니다. 예제 코드를 통해 실습을 진행하며, 자연스럽게 이해할 수 있도록 도와드리겠습니다.
확률적 시계열 모델 구축
확률적 시계열 모델은 데이터의 불확실성을 모델링하여 미래 값을 예측합니다. 가장 흔히 사용하는 모델은 ARIMA (AutoRegressive Integrated Moving Average)입니다. 이를 위해 statsmodels 라이브러리를 활용합니다.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import statsmodels.api as sm
# 데이터 로드
data = sm.datasets.co2.load_pandas()
y = data.data
# 모델 설정 및 적합
model = sm.tsa.ARIMA(y, order=(1, 1, 1))
model_fit = model.fit(disp=0)
# 요약 출력
print(model_fit.summary())
# 예측
pred = model_fit.forecast(steps=12)
print(pred)
위 코드에서는 statsmodels의 co2 데이터셋을 로드하여 ARIMA 모델을 적용했고, 데이터를 시각화하여 결과를 예측했습니다. ARIMA 모델의 파라미터는 p, d, q로 구성되며, 각각 자귀항, 차분, 이동평균 항을 의미합니다.
시계열 분류 모델 구축
시계열 분류는 데이터가 특정 클래스 또는 그룹에 속하는지 결정하는 문제입니다. 이를 위해 일반적으로 LSTM(Long Short Term Memory) 모델을 많이 사용합니다. 여기서는 파이썬의 keras 라이브러리를 사용하여 LSTM 모델을 구축해보겠습니다.
import numpy as np
from keras.models import Sequential
from keras.layers import LSTM, Dense
# 생성한 시계열 데이터 로드 (예시로 임의의 데이터 생성)
def generate_data():
X = np.array([np.sin(np.linspace(0, 100, 200)) for _ in range(1000)])
y = np.array([1 if np.mean(x) > 0 else 0 for x in X])
return X, y
X, y = generate_data()
X = X.reshape((X.shape[0], X.shape[1], 1))
# 모델 구축
model = Sequential()
model.add(LSTM(50, activation='relu', input_shape=(X.shape[1], 1)))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])
# 모델 학습
model.fit(X, y, epochs=10, batch_size=32)
# 정확도 출력
loss, accuracy = model.evaluate(X, y)
print(f'Accuracy: {accuracy}')
이 예제에서는 임의의 시계열 데이터를 생성한 후 LSTM 모델을 통해 이 데이터가 특정 클래스에 속하는지 분류하는 과정을 보여줍니다. LSTM 층은 시계열 데이터 특성을 잘 캡쳐하며, dense 층에서 sigmoid 활성화 함수를 사용해 이진 분류를 수행합니다.
파이썬을 활용한 주가 패턴 분석
주가 데이터 분석은 시계열 분석의 인기 있는 응용 분야입니다. 파이썬의 pandas와 matplotlib 라이브러리를 활용하여 주가 패턴을 탐지하고 분석할 수 있습니다. 이번에는 이동 평균을 통해 주가 패턴을 분석해보겠습니다.
import pandas as pd
import matplotlib.pyplot as plt
import yfinance as yf
# 주가 데이터 로드
ticker = 'AAPL'
data = yf.download(ticker, start='2020-01-01', end='2022-01-01')
# 이동 평균 계산
data['20_SMA'] = data['Close'].rolling(window=20).mean()
data['50_SMA'] = data['Close'].rolling(window=50).mean()
# 데이터 시각화
plt.figure(figsize=(12, 6))
plt.plot(data['Close'], label='Close Price')
plt.plot(data['20_SMA'], label='20 Day SMA', alpha=0.7)
plt.plot(data['50_SMA'], label='50 Day SMA', alpha=0.7)
plt.legend(loc='upper left')
plt.show()
위 코드에서는 yfinance 라이브러리를 사용하여 애플(AAPL) 주가 데이터를 로드한 후, 20일과 50일 이동 평균을 계산하여 시각화했습니다. 이동 평균은 주가의 전반적인 추세를 파악하는 데 유용한 도구입니다.
결론
파이썬을 통해 다양한 시계열 분석 방법을 손쉽게 구현할 수 있습니다. 확률적 시계열 모델링, 시계열 분류, 주가 패턴 분석 등 다양한 기법을 활용하면 데이터의 특성을 효과적으로 분석하고 예측할 수 있습니다. 이번 글에서는 각 기법들을 간단한 예제와 함께 소개해드렸습니다. 이를 기반으로 더 복잡한 모델을 구축하고 분석할 수 있으니, 많은 시도를 해보시길 바랍니다.