Skip to content

03.md

Latest commit

 

History

History
464 lines (332 loc) · 20.6 KB

03.md

File metadata and controls

464 lines (332 loc) · 20.6 KB
Raw

시계열 모델 기초: 주가 흐름을 읽는 모델들

오늘은 RNN, LSTM, Transformer를 무서운 이름이 아니라 "주가 흐름을 읽는 방법이 다른 모델들"로 이해하는 날입니다.

오늘의 목표

  • 시계열 데이터가 왜 특별한지 이해합니다.
  • RNN, LSTM, Transformer의 차이를 쉬운 비유로 구분합니다.
  • 메인 허브에서 관련 챕터를 열어 시간 흐름을 읽는 감각을 익힙니다.

시계열이 뭐예요?

시계열은 시간 순서대로 줄 세운 데이터입니다.

예를 들면:

  • 월요일 가격
  • 화요일 가격
  • 수요일 가격

이렇게 앞뒤 순서가 바뀌면 뜻이 달라지는 데이터입니다.

주가, 거래량, 환율, 예약률은 모두 시계열입니다.

세 친구를 아주 쉽게 나누면

모델 쉬운 비유 잘하는 일
RNN 차트를 하루씩 넘겨 보는 모델 바로 앞 흐름 기억하기
LSTM 중요한 급등락 구간에 표시해 두는 모델 더 긴 기억 붙잡기
Transformer 긴 차트를 한꺼번에 펴 놓고 중요한 날짜를 찾는 모델 멀리 떨어진 시점도 한 번에 보기

오늘의 낱말 4개

낱말 한자·영어 쉬운 뜻
시점 時點 / time step 시간의 한 칸. 時(때 시)+點(점 점). 하루, 한 시간처럼 데이터가 쌓이는 시간 단위
문맥 文脈 / context 앞뒤 흐름 전체. 文(글 문)+脈(맥 맥). 현재 값을 이해하려면 앞뒤 여러 시점을 함께 봐야 하는 이유
기억 記憶 / memory 이전 정보가 다음 판단에 남는 것. 記(기록할 기)+憶(기억할 억). LSTM이 오래된 정보를 다음 계산에 전달하는 것
attention 注目 / attention 중요한 곳에 더 눈길 주기. 注(쏟을 주)+目(눈 목). Transformer가 전체 시점 중 관련 높은 부분을 더 크게 반영하는 방식

오늘 열 페이지

추천 챕터:

  • chapter101 RNN
  • chapter102 LSTM
  • chapter103 Transformer

오늘의 20분 코스

시간 할 일
8분 이 문서에서 세 모델 비유를 읽습니다.
6분 메인 학습 허브에서 chapter101, chapter102, chapter103 설명을 차례로 읽습니다.
6분 각 챕터의 실행 결과를 눌러 보고, 무엇을 기억하는 모델인지 한 줄씩 적습니다.

웹앱 따라 하기

  1. 메인 학습 허브를 엽니다.
  2. chapter101을 눌러 RNN 설명을 읽습니다.
  3. 같은 방식으로 chapter102, chapter103도 엽니다.
  4. 각 챕터에서 실행 버튼을 눌러 결과가 나온다는 것만 확인합니다.
  5. 아래 표를 직접 채워봅니다.
모델 내가 이해한 한 줄
RNN
LSTM
Transformer

초등학생식 이해 포인트

  • RNN: "조금 전 이야기를 들고 다음 칸으로 가는 모델"
  • LSTM: "중요한 건 오래 기억하고 덜 중요한 건 잊는 모델"
  • Transformer: "전체를 한꺼번에 보고 중요한 부분을 골라보는 모델"

관찰 미션

  • 주가처럼 시간 흐름이 있는 데이터에 왜 순서가 중요할까요?
  • RNN과 LSTM은 둘 다 순서대로 읽는데 뭐가 더 좋아졌나요?
  • Transformer는 왜 "한 번에 보기"라는 말이 붙을까요?

한 줄 숙제

시계열 모델은 숫자 하나보다 ________를 더 중요하게 본다.

종목 · 지표 · 거시경제를 시계열로 보면

구분 시계열로 읽는 예시 왜 순서가 중요할까요?
종목 현대차 종가가 월요일, 화요일, 수요일에 어떻게 바뀌었는지 수요일 가격은 앞의 이틀 흐름과 이어져 있기 때문입니다.
기술 지표 RSI가 45 → 55 → 68로 올라가는 흐름 숫자 하나보다 점점 뜨거워지는 중인지가 더 중요할 수 있습니다.
거시경제 환율이 3주 연속 오르고 금리도 같이 오르는 흐름 시장 전체가 불안해지는 방향인지 함께 읽어야 하기 때문입니다.

초등학생식으로 말하면,
시계열 모델은 사진 1장만 보는 것이 아니라 움직이는 만화책을 순서대로 읽는 모델입니다.

알고리즘 처리 흐름

RNN 흐름

flowchart TD
    A["시점 t 입력 xₜ"] --> B["가중합\nz = Wₓ·xₜ + W_h·h_{t-1} + b"]
    B --> C["은닉 상태\nhₜ = tanh(z)"]
    C --> D["출력 yₜ"]
    C --> E["hₜ → 다음 시점으로 전달"]
    E --> F["시점 t+1 입력"]
    F --> B

    style C fill:#d4e6ff
    style E fill:#ffe0b2
Loading

LSTM 흐름

flowchart TD
    A["입력 xₜ + 이전 상태\nh_{t-1}, c_{t-1}"] --> B["망각 게이트 fₜ\n= σ(W_f·[h_{t-1},xₜ] + b_f)"]
    A --> C["입력 게이트 iₜ\n= σ(W_i·[h_{t-1},xₜ] + b_i)"]
    A --> D["셀 후보 C̃ₜ\n= tanh(W_c·[h_{t-1},xₜ] + b_c)"]
    B --> E["셀 상태 업데이트\ncₜ = fₜ⊙c_{t-1} + iₜ⊙C̃ₜ"]
    C --> E
    D --> E
    A --> F["출력 게이트 oₜ\n= σ(W_o·[h_{t-1},xₜ] + b_o)"]
    E --> G["은닉 상태\nhₜ = oₜ⊙tanh(cₜ)"]
    F --> G
    G --> H["출력 yₜ"]

    style E fill:#d4e6ff
    style G fill:#c8e6c9
Loading

Transformer Self-Attention 흐름

flowchart TD
    A["입력 시퀀스\n(여러 날짜 주가)"] --> B["Query Q, Key K, Value V 생성"]
    B --> C["어텐션 점수\nScore = Q·Kᵀ / √d_k"]
    C --> D["Softmax 정규화\n중요 시점 강조"]
    D --> E["Value 가중합\nAttention(Q,K,V) = Softmax·V"]
    E --> F["멀티헤드 어텐션 결합"]
    F --> G["Add & Norm"]
    G --> H["피드포워드 네트워크 FFN"]
    H --> I["Add & Norm"]
    I --> J["출력 시퀀스\n(다음 값 예측)"]

    style D fill:#fff9c4
    style E fill:#d4e6ff
Loading

알고리즘 계보도

flowchart TD
    P["퍼셉트론\n(1958, Rosenblatt)"]
    MLP["MLP·역전파\n(1986, Rumelhart)"]
    RNN["RNN\n(1986, Jordan·Elman)"]
    LSTM["LSTM\n(1997, Hochreiter·Schmidhuber)"]
    Trans["Transformer\n(2017, Vaswani 외)"]
    BERT["BERT·GPT\n(2018, Google·OpenAI)"]

    P -->|"다층 구조 + 역전파"| MLP
    MLP -->|"시계열 순환 구조"| RNN
    RNN -->|"기울기 소실 해결\n게이트 메커니즘"| LSTM
    LSTM -->|"순차 처리 병목 해소\n셀프 어텐션"| Trans
    Trans -->|"양방향 사전학습\n/ 자기회귀 생성"| BERT

    style P fill:#fff9c4
    style MLP fill:#d4e6ff
    style RNN fill:#d4e6ff
    style LSTM fill:#c8e6c9
    style Trans fill:#e1bee7
    style BERT fill:#e1bee7
Loading

모델 상세 참고

모델 수학적 의미 탄생 배경 주식투자 활용 만든 사람/대표 GitHub
RNN h_t=f(W_xx_t+W_hh_{t-1}+b) 구조로 짧은 문맥을 전달합니다. 시퀀스 순서를 보존하는 학습이 필요해 신경망 연구에서 발전했습니다. 단기 추세·모멘텀을 반영한 단기 방향 예측의 출발점 모델입니다. Jeffrey Elman · https://github.com/pytorch/pytorch
LSTM 입력/망각/출력 게이트로 셀 상태 c_t를 조절해 장기 의존성을 학습합니다. RNN의 기울기 소실 문제를 해결하려고 1997년에 제안되었습니다. 이벤트 전후 수주~수개월 흐름처럼 긴 의존 구간 예측에 유리합니다. Sepp Hochreiter, Jürgen Schmidhuber · https://github.com/pytorch/pytorch
Transformer 자기어텐션 Attention(Q,K,V)=softmax(QK^T/√d)V로 시점 간 중요도를 직접 계산합니다. RNN의 순차 처리 병목을 줄이고 장거리 의존을 병렬로 학습하려고 등장했습니다. 장기 패턴, 이벤트 구간 상호작용, 다변량 시계열 특징 추출에 강점이 있습니다. Ashish Vaswani 외(Attention Is All You Need) · https://github.com/huggingface/transformers

분야별 모델 쓰임새 및 적합도

모델 데이터셋 형태 헬스케어 자율주행 주식투자 로봇 AI Ops
RNN 순서 있는 시계열·텍스트 시퀀스 ECG·EEG 단기 신호 분류, 환자 상태 연속 모니터링 차량 단기 궤적 예측, 센서 시퀀스 처리 단기 추세·모멘텀 반영 방향 예측의 출발점 모션 시퀀스 학습, 반복 작업 순서 처리 로그 시퀀스 이상 감지, 메트릭 단기 추이 예측
LSTM 장기 시계열·텍스트·음성 데이터 장기 병세 진행 예측, 연속 혈당·산소포화도 모니터링 장기 주행 패턴 기억, 보행자 궤적 중장기 예측 이벤트 전후 수주~수개월 흐름 예측 복잡한 동작 시퀀스 기억, 장기 계획 수립 서비스 장기 성능 추이 이상 감지, 용량 계획
Transformer 텍스트·장기 시계열·이미지(ViT) 의료 기록 NLP 분석, 게놈 서열 패턴 학습 다중 센서 융합, 장거리 교통 환경 인식 장기 패턴·이벤트 구간 상호작용 분석 자연어 명령 처리, 복잡 환경 맥락 이해 다변량 메트릭 이상 탐지, 로그 패턴 분류

모델 혼합 & 검증 아이디어

RNN, LSTM, Transformer는 각각 기억하는 범위와 방식이 다릅니다.
이 세 모델을 섞으면 단기·중기·장기 패턴을 모두 잡을 수 있습니다.

혼합 아이디어

혼합 방법 어떻게 섞나요? 왜 좋을까요?
멀티스케일 앙상블 RNN으로 최근 5일 단기 신호, LSTM으로 최근 20일 중기 신호, Transformer로 최근 60일 장기 패턴을 잡아 세 출력을 평균 냄 짧은 모멘텀과 긴 추세를 동시에 반영할 수 있음
단계별 파이프라인 Transformer로 중요 날짜(이벤트, 급등락)를 먼저 찾고, LSTM이 그 날짜 전후 흐름을 집중해서 학습 중요 구간을 먼저 선별하고 나서 시계열 학습을 하면 노이즈가 줄어듦
단기-장기 투표 RNN 신호와 Transformer 신호가 모두 같은 방향일 때만 매수, 엇갈리면 관망 단기와 장기 관점이 일치할 때 신호 품질이 높음

검증 방법

  • 워크포워드 검증: 1개월씩 앞으로 이동하며 "이전 6개월 학습 → 다음 1개월 테스트"를 반복합니다. 시계열에서는 미래 정보가 섞이지 않도록 이 방법이 필수입니다.
  • 구간별 성능 비교: 상승장, 하락장, 횡보장 구간을 따로 나눠 각 모델이 어느 구간에서 더 잘 맞는지 비교합니다.
  • 학습-검증 손실 곡선: 학습 횟수(epoch)가 늘어날수록 학습 손실은 줄어드는데 검증 손실이 오히려 커지면 과적합이므로 주의합니다.
  • 예측 오차 분석: 큰 급등락 날에 세 모델이 각각 어떻게 틀렸는지 비교해, 어떤 모델이 이벤트 구간에 더 강한지 확인합니다.

아주 쉽게 말하면: RNN은 오늘 뉴스를, LSTM은 이번 달 흐름을, Transformer는 올해 큰 그림을 봅니다.
세 가지를 함께 보면 더 넓은 시야를 가진 투자 판단을 할 수 있습니다.

웹앱 안쪽 들여다보기

시간 순서를 지키는 백엔드 습관

주가처럼 순서가 중요한 데이터는 섞어버리면 안 됩니다. 그래서 /api/stock/analyze 는 보통 이렇게 움직입니다.

  • 먼저 과거에서 현재 순으로 정렬합니다.
  • 앞쪽 80%를 학습용, 뒤쪽 20%를 확인용으로 나눕니다.
  • 즉, 미래 구간을 먼저 보고 배우지 않도록 막습니다.

화면에 그려지는 결과는 어디서 올까요?

서버는 예측이 끝나면 아래 같은 재료를 JSON으로 돌려줍니다.

  • signals: 날짜별 매수/관망 같은 신호 표
  • portfolio, buyhold: 전략 곡선과 그냥 보유 곡선
  • predicted_next_close, predicted_next_date: 다음 값 예측

신경망을 고르면 무엇이 더 오나요?

model="nn" 으로 실행하면 응답에 nn_viz 가 함께 들어와 뉴런 연결 그림을 그릴 수 있습니다.

즉, 현재 웹앱이 RNN/LSTM/Transformer를 직접 학습하진 않아도, 시계열에서는 순서를 지키는 처리를 가장 먼저 실천하고 있습니다.

LSTM 텍스트 생성: 시계열 모델을 언어에 적용하기

LSTM은 주가 시계열뿐 아니라 텍스트(문자·단어 시퀀스) 에도 그대로 적용할 수 있습니다.
문자 하나하나를 시점(time step)으로 보면, LSTM이 앞 문자들의 패턴을 기억하며 다음 문자를 예측합니다.

문자 단위 LSTM 언어 모델

from tensorflow import keras
import numpy as np

# 텍스트를 40글자씩 잘라 입력, 41번째 글자가 정답
SEQ_LEN = 40
step    = 3

# 문자 → 정수 인덱스 변환
chars   = sorted(set(text))
char2id = {c: i for i, c in enumerate(chars)}

sequences, next_chars = [], []
for i in range(0, len(text) - SEQ_LEN, step):
    sequences.append(text[i:i + SEQ_LEN])
    next_chars.append(text[i + SEQ_LEN])

# one-hot 인코딩
X = np.zeros((len(sequences), SEQ_LEN, len(chars)), dtype=np.float32)
y = np.zeros((len(sequences), len(chars)), dtype=np.float32)
for i, seq in enumerate(sequences):
    for t, c in enumerate(seq):
        X[i, t, char2id[c]] = 1
    y[i, char2id[next_chars[i]]] = 1

# LSTM 모델 정의
model = keras.Sequential([
    keras.layers.LSTM(128, input_shape=(SEQ_LEN, len(chars))),
    keras.layers.Dense(len(chars), activation='softmax')
])
model.compile(optimizer='adam', loss='categorical_crossentropy')
model.fit(X, y, batch_size=128, epochs=20)

Temperature 샘플링: 창의성 조절

학습된 모델로 문장을 생성할 때 temperature를 조절하면 생성 스타일이 달라집니다.

def sample(preds, temperature=1.0):
    """확률 분포에서 다음 문자를 샘플링"""
    preds = np.asarray(preds).astype('float64')
    preds = np.log(preds) / temperature   # temperature로 분포 조절
    exp_preds = np.exp(preds)
    preds = exp_preds / np.sum(exp_preds)
    return np.random.choice(len(preds), p=preds)
temperature 값 생성 특성 쉬운 비유
0.2 (낮음) 가장 확률 높은 문자를 자주 선택 → 반복적·안전한 문장 모범 답안만 쓰는 학생
1.0 (기본) 학습된 확률 분포 그대로 샘플링 보통 작성
1.5 (높음) 낮은 확률 문자도 자주 선택 → 창의적·불규칙한 문장 자유롭게 창작하는 작가

주가 예측에 연결하면

LSTM 텍스트 생성의 원리를 주가 시계열에 그대로 연결할 수 있습니다.

텍스트 생성 주가 예측
앞 40개 문자 → 다음 문자 예측 앞 20일 가격·거래량 → 다음 날 등락 예측
문자 어휘 사전 (one-hot) 종가·거래량·RSI 등 특성 벡터
temperature로 다양성 조절 임계값(threshold)으로 신호 민감도 조절
에폭별 생성 문장 품질 변화 관찰 에폭별 검증 손실 변화로 학습 수렴 확인

LSTM 텍스트 생성 흐름

flowchart TD
    A["소설 텍스트\n(BEXX0003.txt)"] --> B["문자 단위 슬라이딩 윈도우\n40글자 → 41번째 글자"]
    B --> C["One-Hot 인코딩\n문자 → 벡터"]
    C --> D["LSTM 학습\n순서 기억 + 다음 문자 확률 출력"]
    D --> E["Temperature 샘플링\n다음 문자 선택"]
    E --> F["문자를 이어붙여\n새 문장 생성"]
    F --> G["에폭마다 temperature 0.2/0.5/1.0/1.2로\n생성 문장 비교 관찰"]
Loading

핵심 포인트: LSTM은 주가처럼 숫자 시퀀스뿐 아니라 텍스트 시퀀스에도 적용됩니다.
"앞 시점들을 기억해 다음 값을 예측한다"는 원리는 동일하며, 입력·출력 형태만 달라집니다.

심화 실습 1. KOSPI 시계열을 해부해 보기

시계열 모델을 바로 돌리기 전에, 먼저 데이터가 어떤 성격인지 살펴보면 해석이 훨씬 쉬워집니다.

먼저 볼 것 왜 볼까요? 쉬운 해석
추세 시장이 장기적으로 오르는지 내리는지 큰 강물 방향 보기
계절성 반복되는 월별·요일별 패턴이 있는지 매년 비슷한 습관 보기
정상성 평균과 분산이 너무 크게 흔들리지 않는지 모델이 공부하기 쉬운 모양인지
자기상관 어제 흐름이 오늘에도 이어지는지 앞 장면이 다음 장면에 영향을 주는지

KOSPI 기초 분석 흐름

  1. KS11 지수나 관심 종목 종가를 가져옵니다.
  2. 종가 그대로 보기보다 pct_change()로 수익률을 만듭니다.
  3. 이동평균, 월별 평균 수익률, 자기상관을 같이 확인합니다.
  4. "추세가 강한지", "반복 패턴이 있는지", "과거가 미래에 힌트를 주는지"를 정리합니다.

초급자 체크리스트

  • 종가는 계속 우상향할 수 있어서 그대로 넣으면 모델이 속기 쉽습니다.
  • 수익률로 바꾸면 상승·하락 폭을 더 공평하게 볼 수 있습니다.
  • 월별 효과나 요일 효과는 "항상 통한다"가 아니라 "반복 경향이 있었는지"를 보는 참고 자료입니다.

추천 미니 과제

  • 삼성전자와 SK하이닉스의 월별 평균 수익률을 비교해 봅니다.
  • NAVER와 카카오의 상관계수를 구해 "같이 움직이는지" 적어봅니다.
  • chapter101 또는 chapter102를 보기 전에, 먼저 수익률 그래프를 직접 그려 봅니다.

심화 실습 2. LSTM 입력은 어떻게 만들까요?

LSTM은 하루치 숫자 하나만 받지 않고, 최근 여러 날을 한 묶음 시퀀스로 받습니다.
이때 가장 중요한 준비 단계가 슬라이딩 윈도우입니다.

단계 하는 일 예시
1 특성 만들기 수익률, 거래량 비율, 변동성
2 최근 N일씩 묶기 최근 20일 데이터 → 입력 1개
3 다음 날 정답 붙이기 내일 상승=1, 하락=0
4 시간 순서 유지 분리 앞 80% 학습, 뒤 20% 테스트

왜 시퀀스 길이를 실험할까요?

  • 너무 짧으면 최근 잡음만 보고 끝날 수 있습니다.
  • 너무 길면 오래된 정보까지 끌고 와 오히려 흐려질 수 있습니다.
  • 그래서 10일, 20일, 30일처럼 바꿔 보며 어느 길이가 잘 맞는지 비교합니다.

LSTM 실습에서 같이 볼 포인트

  • 방향 예측: 내일 오를지 내릴지 맞히기
  • 회귀 예측: 내일 종가 숫자를 맞히기
  • 신호 변환: 상승 확률이 0.55 이상이면 매수 같은 규칙 만들기

관련 실습 파일

챕터 주제 실행 방법
chapter101 RNN 기초 cd chapters/chapter101 && python practice.py
chapter102 LSTM 기초 cd chapters/chapter102 && python practice.py

추천 미니 과제

  • 삼성전자와 SK하이닉스를 같은 윈도우 길이로 학습해 정확도를 비교합니다.
  • 15일, 20일, 30일 입력 중 어떤 길이가 더 안정적인지 적어봅니다.
  • 확률 기준을 0.55, 0.65로 바꿔 신호 횟수와 적중률이 어떻게 달라지는지 비교합니다.

심화 실습 3. Self-Attention 첫걸음

Transformer를 어렵게 느낄 필요는 없습니다.
핵심은 "최근 20일 중 어느 날이 오늘 예측에 중요했는지 점수로 매긴다" 입니다.

구성 요소 쉬운 뜻 기억할 포인트
Score 날짜끼리 얼마나 관련 있는지 비슷하거나 강한 움직임에 점수 부여
Softmax 점수를 0~1 비중으로 바꾸기 모든 중요도 합이 1
Context 중요한 날짜를 더 많이 반영한 요약값 "핵심 장면만 모아 본 결과"
Positional Encoding 날짜 순서를 알려주는 장치 Transformer도 순서를 알아야 함

LSTM과 Attention의 차이

  • LSTM: 앞에서 뒤로 순서대로 읽으며 기억을 전달합니다.
  • Attention: 모든 날짜를 한 번에 펼쳐 놓고 중요한 날짜를 직접 고릅니다.

이런 날이 높은 Attention을 받기 쉽습니다

  • 급등락이 컸던 날
  • 거래량이 평소보다 많이 터진 날
  • 최근 흐름을 바꾸는 전환점이 된 날

관련 실습 파일

챕터 주제 실행 방법
chapter103 Transformer 기초 cd chapters/chapter103 && python practice.py

추천 미니 과제

  1. 삼성전자 수익률 20일 구간을 잡고, 어떤 날이 가장 중요할지 먼저 사람 눈으로 골라봅니다.
  2. chapter103 실행 결과와 비교해 사람이 본 중요 날짜와 모델이 본 중요 날짜가 비슷한지 확인합니다.
  3. 같은 방법으로 KS11 지수에도 적용해, 급락 구간이 높은 가중치를 받는지 살펴봅니다.