단기 시계열 예측 모델의 주요 단점과 그에 대한 해결 방안을 조사한 결과를 공유하겠습니다.
단기 시계열 예측 모델의 주요 단점
- 장기 예측의 부정확성: 단기 데이터를 기반으로 한 모델은 장기적인 추세를 정확히 예측하지 못하는 경향이 있습니다. 이는 데이터의 시간적 의존성을 충분히 학습하지 못하기 때문입니다.
- 데이터 노이즈의 영향: 금융 시계열 데이터는 노이즈가 많아 예측 모델의 정확도를 저하시킬 수 있습니다. 노이즈가 많으면 모델이 실제 패턴보다 노이즈에 과도하게 적응하여 일반화 성능이 떨어질 수 있습니다.
- 비정상성(Non-stationarity) 문제: 시계열 데이터의 평균과 분산이 시간에 따라 변하는 경우, 모델이 이러한 변화를 학습하기 어려워 예측 성능이 저하될 수 있습니다.
해결 방안
- 장기 예측 성능 향상
- 연속 예측 기법 적용: 단기 예측 결과를 활용하여 다음 단계의 입력으로 사용하는 연속 예측 방법을 적용하면 장기 예측의 정확도를 높일 수 있습니다. 이는 단기 예측의 우수한 성능을 장기 예측에 활용하는 방식입니다.
- Transformer 기반 모델 활용: Informer와 같은 Transformer 기반 모델은 장기 시계열 예측에 효과적입니다. 이러한 모델은 긴 시퀀스의 의존성을 학습하는 데 적합하며, 장기 예측의 정확도를 향상시킬 수 있습니다. arXiv
- 데이터 노이즈 처리
- 디노이징 기법 적용: 자기 상관성이 강한 금융 시계열 데이터에서 잡음을 제거하기 위해 디노이징 방법을 적용할 수 있습니다. 이는 모델이 유용한 정보를 학습하는 데 도움이 됩니다. Better Than,+1DELAB+1
- 다변량 시계열 모델링: 멀티 헤드 신경망을 활용하여 변수별 특화된 모형으로 모델링하면 예측 성능을 향상시킬 수 있습니다. 이는 각 변수의 특성을 고려하여 노이즈의 영향을 줄이는 데 도움이 됩니다. DELAB
- 비정상성 문제 해결
- 비정상성 처리 기법 적용: Non-stationary Transformer와 같은 모델은 비정상성을 처리하기 위한 기법을 제공합니다. 이러한 모델을 활용하면 비정상적인 시계열 데이터의 예측 성능을 개선할 수 있습니다. arXiv
- 데이터 변환 및 차분: 데이터의 정상성을 확보하기 위해 로그 변환이나 차분(differencing) 등의 전처리 기법을 적용할 수 있습니다. 이를 통해 모델이 데이터의 패턴을 더 잘 학습할 수 있습니다.