작성자: admin 작성일시: 2016-04-08 23:06:11 조회수: 4674 다운로드: 47
카테고리: 시계열 분석 태그목록:

시계열 분석 강의 소개

강의 커리큘럼

1. 파이썬 분석 환경

데이터 분석을 위한 컴퓨팅 환경을 설치하고 사용하는 방법을 보인다. 분석 환경은 리눅스 운영체제 상에서 도커(Docker)로 설치되며 필수적인 소크트웨어들이 이미 설치되어 있는 도커 이미지를 도커 허브를 통해 제공한다. 윈도우즈나 맥 사용자를 위해 도커 툴박스와 가상머신 위에서 도커를 실행하는 방법도 설명한다.

본 강의는 Python 프로그래밍 언어와 패키지를 사용한다. 기본적인 Python 언어 문법외에도 NumPy, SciPy, pandas, matplotlib, seaborn 등 데이터 분석에 필수적인 패키지를 소개한다.

2. 기초 확률론

시계열 분석은 다차원 확률 변수 분석의 일종이다. 본격적인 시계열 분석에 들어가기에 앞서 확률 분석에 필요한 기초적인 개념들을 소개한다.

3. 시계열 분석 소개

4. 추세 및 계절성 분석

시계열은 추세 및 계절성 성분을 가지고 있으며 시계열 분석시에는 이를 정상 과정 신호와 분리할 필요가 있다. 회귀 분석을 사용하여 이러한 성분을 분리하는 방법을 설명한다.

5. 정상 과정 모형

정상 과정(stationary process)은 시간이 지나도 신호의 확률적 특성이 그대로 유지되는 확률 과정을 말한다. 대부분의 시계열 분석은 정상 과정 분석 방법을 기반으로 한다. 정상 과정 모형 중 가장 대표적인 백색 잡음(white noise)과 ARMA(auto-regressive moving average) 모형에 대해 소개한다.

6. 비정상 과정 모형

비정상 과정(nonstationary process)은 시간에 지나면서 기댓값의 수준이나 분산이 커지는 등 시계열의 특성이 변화하는 확률 과정을 말한다. 비정상 과정 모형 중 가장 대표적인 것은 ARMA 모형을 누적한 ARIMA(auto-regressive integrated moving average) 모형이다. ARIMA 모형의 개념을 설명하고 ADF 검정 등의 단위근 검정(unit root test)를 사용하여 모형의 적분 차수(integration order)를 결정하는 법을 설명한다.

7. 모형의 추정 및 진단

주어진 시계열의 특성을 측정하여 ARMA 모형과 같은 수학적인 모형을 만드는 것을 모형화(modeling)이라고 한다. 모형화를 하려면 모형의 구조 및 차수를 결정하는 단계(model specification), 모형 계수, 즉 모수(parameter)의 값을 추정하는 단계(parameter estimation), 완성된 모형의 성능을 진단하는 단계(model diagnosis)를 거친다.

본 강의에서는 자기상관계수 함수(ACF), 편자기상관계수 함수(PACF) 등을 사용하여 모형의 차수를 결정하고 최대우도추정(MLE) 방법으로 모형의 계수를 추정하며, 잔차 분석(residual analysis)을 통해 모형을 검증하는 방법을 설명한다.

8. 시계열 예측

9. 계절성 모형

10. 시계열 회귀 분석

11. 상태 공간 모형 및 칼만 필터

12. GARCH 모형

13. Vector AR 모형

14. 공적분 모형 및 페어 트레이딩

15. 요인 분석

16. 히든 마코프 모형

교재 및 참고 문헌

질문/덧글

아직 질문이나 덧글이 없습니다. 첫번째 글을 남겨주세요!