이동평균과 자기 회귀를 이용한 시계열 분석

목차

Ⅰ. 서론

Ⅱ. 본론
1. 이동평균 및 자기회귀모형을 사용한 예측
2. 시계열 분석의 기본
3. 고전 시계열 분석 모델 사용시 필요사항
4. 정상성이란?
5. 차분(differencing)이란?
6. 정상성 감지(ACF그래프)
7. VAR(Vector Autoregression)
8. 이동평균 및 자기회귀
9. 정상성에 대한 정의
10. ARMA
11. ARIMA
12. SARIMA
13. 모델선택 기준
14. 지수평활
15. 벡터자기회귀

Ⅲ. 결론

Ⅳ. 참고문헌

본문내용

I. 서론
이동평균과 자기회귀를 기반으로 한 시계열 모델링은 계량 경제학과 통계를 포함한 다양한 분야에서 사용되는 여러 모델이 있다. 예를 들어 ARMA, ARIMA, VAR, GARCH 등 두가지를 결합한 모델과 함께 자기회귀 및 이동평균 모델을 사용하며 이에 대해서 알아둘 필요가 있다.

II. 본론
1. 이동평균 및 자기회귀모형을 사용한 예측
1) 통계 분석 : 압도적으로 공식 위주의 모델링이고 연역적인 특성을 갖는다.
2) 기계학습 : 모델의 예측 정확도에 중점을 두며 상대적으로 실용적인 특성을 갖는다.

2. 시계열 분석의 기본
- 대부분의 시계열은 추세와 계절성을 가정한다.
- 이를 검증하기 위해 정상성(stationarity)을 검증한다.

3. 고전 시계열 분석 모델 사용시 필요사항
1) 정상성(stationarity) 테스트
2) 차분(differencing)
3) 적합 방법 및 예측
4) 추세와 계절성 추가

4. 정상성이란?
- 시계열성에 상관없이 평균과 분산이 일정한 상태를 의미한다.
- 계절성과 추세성을 갖지 않는 데이터를 의미한다.
- 시계열 분석을 진행하기 위한 기본적인 전제조건이다.
- 대부분의 데이터는 비정상성을 갖기 때문에 차분을 이용하여 정상성을 갖는 데이터로 변경해야 한다.

참고자료

· Ben Auffarth(2021), Machine Learning for Timeseries with Python, Packt