그외 모델, Decision Tree와 ARIMA 간단 설명

linear와 polynomial model

linear와 polynomial model

이전에 선형과 다항 모델에 대해서 알아보았습니다.

그런데 모델이 꼭 다항 함수의 형태(y = f(x)의 형태)를 띄지는 않아도 됩니다.

즉 y = ax + b 이런 형태를 띄지않고 x를 넣었을때 y가 나오는 형태면 됩니다. 무슨 말이신지 헷갈리시죠?

 

의사결정나무(decision tree) 라는 모델이 있습니다.

제가 집을 사고 싶은 상황이라고 가정해봅시다. 일단 어떤 집을 사고싶은지 조건을 정해야겠죠. 제가 지금 살고 싶은 집을 생각해보자면 집의 평수는 34평, 가격은 3억이하, 위치는 제주도가 떠오르네요. 너무 무리한가요? 그래도 이 조건에 맞는 집이 어딘가에는 있을거라고 생각합니다. 이제 이 조건을 기준으로 특정 집이 후보로 들어오면 살지말지 결정할 수 있을겁니다.

 

간단한 집 사기 Decision Tree

 

제 조건을 decision tree로 시각화 해보면 위와 같습니다. 말은 어렵지만 어디서 많이 봐보셨을거라고 생각합니다. 위에서부터 조건을 나열하고 조건에 따라 분기가 되면서 집을 살지 말지 결정합니다.

참고. Tree라 불리는 이유는 뒤집었을때 뿌리에서부터 잎으로 뻗어나가는 나무처럼 보여서 그렇다고 합니다.

이런 모델을 decision tree라고 하는데요. 이것으로 주식을 예측할 수도 있습니다. 빠르게 지금 당장 생각나는 조건을 나열해보자면 10번 연속으로 올랐다. 거래량이 평균 이상이다. 비슷한 종목 대비 저평가 되어있다. 등등이 있겠습니다.

각 조건별로 분기를 만들어서 살지 말지 결정할 수 있겠죠? 다만 실제로 사용할때는 조건을 전부 사용자가 직접 생각해내서 넣어주는 것이 아닌 자동으로 학습 시키는 방법이 있습니다. 따라서... 너무 걱정하지 않으셔도 됩니다.

 

또다른 모델로 신경망 모델(Neural Network)가 있습니다. 요즘 핫하죠? 흔히 말하는 AI 붐을 시작시킨게 신경망 모델인데요.
신경망은 신호를 받아서 특정 조건에 따라 뒤로 신호를 다시 보내는 과정을 반복하는 모델입니다. 미세한 영역을 보면 이게 왜 작동하는지 알기가 어렵지만 거시적으로 보면 모델이 수많은 계산을 거친 후 뭔가를 할 수 있게 됩니다.

따라서 현재 가격 데이터를 모델에 넣고 계산을 한 후에 결과물이 다음 가격이 되게끔 만드려는 시도를 많이 하고 있습니다.

신경망 - 위키백과, 우리 모두의 백과사전 를 한번 읽어보시면 도움이 되실겁니다.

 

마지막으로 ARIMA를 설명드리겠습니다.

ARIMA는 복잡한 가정이 들어간 수학 모델인데요. 간단하게 말씀드리자면 과거 값을 바탕으로 미래를 예측하는데 노이즈(또는 비정상적인 데이터)와 중심치(평균)이 이동하는 것까지 고려한 모델입니다.

그럴리는 별로 없지만.. 코인 데이터가 비슷하게 흔들리는데 조금씩 우상향한다. 이럴때 내일 가격을 맞춰보고 싶으면 사용이 가능합니다. 보통의 주식이나 코인시장에서는 비슷하게 흔들리지않고 갑작스럽게 움직이는 경우가 많기 때문에 사용이 조금 어렵습니다.(고수분들은 잘 모르겠네요.) 만약 흥미로우시다면 Prophet과 GARCH까지 같이 사용해보시면 좋을거 같습니다.

 

다음에는 사비츠키-골레이 필터(Savitzky-Golay Filter) 흔히 SG filter라고 부르는 것에 대해서 말씀드리겠습니다.

저는 조금 기대되네요. 이전 포스팅의 대부분이 SG filter를 설명하기 위한 포석이었습니다.