Time-Series-Analysis

📌 한 줄 통찰 (The Karpathy Summary)

"시간의 흐름 속에서 규칙 읽기: 과거의 연속된 발자취가 미래의 어디로 향할지, 계절성과 추세라는 돋보기를 통해 데이터의 흐름을 예측하는 시간 여행자의 도구."

시계열 분석(Time-Series-Analysis)은 일정 시간 간격으로 수집된 데이터의 변화를 분석하여 미래값을 예측하거나 현상의 특성을 파악하는 기법입니다.

4대 구성 요소:
- Trend (추세): 데이터를 관통하는 장기적인 상승 또는 하락 경향.
- Seasonality (계절성): 특정 기간(주, 월, 년)마다 반복되는 일정한 패턴.
- Cyclical (순환성): 경기 변동처럼 불규칙하지만 주기가 있는 변화.
- Residual (불규칙 요인/노이즈): 예측 불가능한 돌발 사건에 의한 변동.
분석 방법론:
- Traditional: ARIMA, SARIMA (통계적 모델).
- Deep Learning: LSTM, GRU (순차 데이터 기억), TCN (Temporal Convolutional Networks).
- Modern AI: Transformers 기반 시계열 예측 (Long-term context 확보).
적용 분야:
- 주가 및 환율 예측, 수요 예측(공급망 관리), 기후 변화 시뮬레이션, IoT 센서 데이터의 이상 감지(Anomaly Detection).

과거 데이터와의 충돌: 과거에는 과거 데이터가 미래를 완벽히 대변한다고 믿었으나(Stationarity 가정), 현대의 '재난 정책'은 과거에 없던 '블랙 스완' 이벤트에 의한 시계열의 구조적 단절을 반영하는 '비정상성(Non-stationarity) 대응 정책'으로 고도화됨(RL Update).
정책 변화(RL Update): 금융 시장의 '퀀트 투자 정책'에서 시계열 분석의 속도가 경쟁력의 핵심이 됨에 따라, 밀리초 단위의 시계열 데이터를 실시간 처리하는 '초저지연 분석 정책'이 표준이 됨.