seungbeomdo

이전 포스팅들에서 정상성의 정의, 시계열을 정상화하는 방법, 정상 시계열의 모델링 등등에 대해서 얘기해왔다. 여기서는 주어진 시계열의 정상성 여부를 어떻게 검정하는지 알아보자. 1. ADF 검정 정상성 검정의 한 가지 방법은 ADF 검정(Augmented Dickey-Fuller test)이다. 유사한 검정 방법으로 DF 검정이 있는데, ADF 검정이 DF 검정을 일반화한 것에 불과하므로 혼란스러울 필요는 없다. 1.1. ADF 검정의 아이디어: 단위근 ADF 검정의 아이디어를 살펴보자. 우선 모든 정상 시계열은 적당한 AR(p) process로 나타낼 수 있다고 가정한다. 즉 우리는 AR process의 틀 안에서 정상성을 검정하는 것임에 유의해야 한다. 그럼 MA process나 ARMA proces..

이 시리즈는 파생상품 이론 분야에서 가장 유명한 교재인 Hull(2021)의 "Options, Futures and Other Derivatives (11th)"을 요약한 것일 뿐이다. 아래는 책 구매 링크 Options, Futures, and Other Derivatives ISBN-13: 9780136939917 Options, Futures, and Other Derivatives Published 2021 www.pearson.com 4편 파생상품 이론 #4 이자율 이 시리즈는 파생상품 이론 분야에서 가장 유명한 교재인 Hull(2021)의 "Options, Futures and Other Derivatives (11th)"을 요약한 것일 뿐이다. 아래는 책 구매 링크 Options, Futur..

1. MA(1) 모형 1.1. MA(1) 모형의 정의 MA(Moving-Average) 모형은 현재 시점의 값을 과거 시점의 모형 오차로 회귀시키는 모형이다. 즉 시계열 $X_{t}$에 대하여, MA(1) 모형은 다음과 같다. $$X_{t} = c + \epsilon_{t} + {\theta}{\epsilon}_{t-1}$$ where c is a constant and $\epsilon_{t} \sim w.n.(0,\sigma^{2})$ 1.2. MA(1) 모형의 성질 MA(1) 모형을 따르는 시계열의 주요 모멘트들은 다음과 같다. $E[X_{t}] = c$ $Var[X_{t}] = (1+\theta^{2})\sigma^{2}$ $Cov(X_{t},X_{t-1}) = \theta\sigma^{2}$ $..

'정상' 시계열을 설명하기 위해 사용하는 대표적인 모형들을 정리한다. 1. 백색잡음(white noise) 백색잡음은 시계열 그 자체를 모델링하는 데 사용되지는 않는다. 하지만 모델링의 중요한 요소이고 살펴보아야할 성질이 있으므로 먼저 다룬다. 다음을 만족하는 $\epsilon_{t}$를 백색잡음이라고 한다. $E[\epsilon_{t}] = 0$, $Var[\epsilon_{t}] = \sigma^{2}$ and $Cov[\epsilon_{t}, \epsilon_{t-k}] = 0$ for k = 1, 2, 3, ... 보론) white noise와 IID를 구분해야 한다. white noise는 약정상성을 만족하고 자기공분산이 0이며, IID는 강정상성을 만족하고(identical distribute..

1. 자기상관함수(ACF) 1.1. 자기상관함수 자기상관(Auto Correlation)이란 시계열을 구성하는 확률변수들이 서로 상관되는 성질을 의미한다. 시계열의 자기상관을 측정할 때는 첫째, 시계열의 자기상관함수를 구하는 방법을 사용할 수 있다. 자기상관은 time lag k에 대하여 정의한다. 시계열 $X_{t}$의 k차 자기상관함수 ACF는 다음과 같다. $$\rho(k) = Corr(X_{t}, X_{t-k}) = \frac{Cov(X_{t}, X_{t-k})}{\sqrt{Var(X_{t})Var(X_{t-k})}}$$ 만약 시계열이 정상적이라면 $Var(Z_{t})= Var(Z_{t-k})$이 성립한다. 따라서 정상시계열의 자기상관함수는 $$\rho(k) = \frac{\gamma(k)}{\g..

Pytorch 기반의 딥러닝 모델 구현을 연습해보기. 한요섭님 유튜브 강의에서 다룬 코드들을 꼼꼼하게 리뷰하면서 딥러닝 모델 구현의.. 일종의 메뉴얼을 습득해보려고 한다. hanyoseob 의료데이터 분석 및 인공지능 개발자, 한요섭 입니다 :D 머신러닝/딥러닝, 신호처리, 병렬 컴퓨팅 (CUDA), 블록체인 (Solidity) 그리고 논문작성 꿀팁 등을 공돌이 관점에서 실습을 통해 알아보도록 www.youtube.com 1편 UNET 구조 구현하기 #1: 데이터 저장하기 ~ 모델 클래스 구현 Pytorch 기반의 딥러닝 모델 구현을 연습해보기. 한요섭님 유튜브 강의에서 다룬 코드들을 꼼꼼하게 리뷰하면서 딥러닝 모델 구현의.. 일종의 메뉴얼을 습득해보려고 한다. hanyoseob 의료데이터 분 seung..

이 시리즈는 파생상품 이론 분야에서 가장 유명한 교재인 Hull(2021)의 "Options, Futures and Other Derivatives (11th)"을 요약한 것일 뿐이다. 아래는 책 구매 링크 Options, Futures, and Other Derivatives ISBN-13: 9780136939979 Options, Futures, and Other Derivatives Published 2021 www.pearson.com 3편 파생상품 이론 #3 선물을 활용한 헷징 전략 이 시리즈는 파생상품 이론 분야에서 가장 유명한 교재인 Hull(2021)의 "Options, Futures and Other Derivatives (11th)"을 요약한 것일 뿐이다. 아래는 책 구매 링크 Opti..

1. 시계열의 차분 1.1. 차분 차분(differencing)이란 주어진 시계열의 변화분을 구하는 과정을 말한다. 예컨대 t번째 시계열이 $X_{t}$라고 할 때 차분 시계열 $Y_{t}$는 다음을 만족하는 시계열이다. $${\Delta}X_{t} = X_{t} - X_{t-1}$$ 가령 다음과 같은 분기별 시계열에 대하여 차분한 시계열은 아래와 같다. 차분을 수행하면 원 시계열의 첫번째 값은 포함하지 않는다. 차분의 시차: 차분이란 일반적으로 시차(time lag)가 1인 차분을 의미하지만 다양한 시차에 대하여 구해질 수 있다. 가령 시차가 2인 차분은 아래와 같다. $${\Delta}_{2}X_{t} = X_{t} - X_{t-2}$$ 차분을 거친 시계열을 한 번 더 차분하는 것을 2차 차분이라고 ..

1. 시계열의 개념1.1. 시계열의 정의 시간 t에 대해서 나타낸 확률변수의 수열 $X_{t}$를 시계열이라고 한다.$$\{X_{t}\} = {X_{1}, X_{2}, \cdots}$$ 1.2. 시계열의 특징하나의 대상을 지속적으로 관찰해 구성한 것이 시계열이기 때문에, 시계열을 구성하는 확률변수들은 서로에 대하여 독립적이지 못한 경우가 대부분이다. 예컨대 주가를 일별로 관측해 얻은 주가들은 서로에 대하여 상관을 갖는다. 이를 자기상관이라고 한다. 직전 주가를 가지고 다음날 주가가 예측 가능하다? 라는 것에 의문을 가질 수 있지만 통계학적으로 보았을 때 일별 주가가 독립이 아니라는 주장은 사실이다. 어느날 삼성전자의 주가가 6만원이라고 할 때 그 다음날 삼성전자의 주가가 6만 500원이나 5만 9500원..

Pytorch 기반의 딥러닝 모델 구현을 연습해보기. 한요섭님 유튜브 강의에서 다룬 코드들을 꼼꼼하게 리뷰하면서 딥러닝 모델 구현의.. 일종의 메뉴얼을 습득해보려고 한다. hanyoseob 의료데이터 분석 및 인공지능 개발자, 한요섭 입니다 :D 머신러닝/딥러닝, 신호처리, 병렬 컴퓨팅 (CUDA), 블록체인 (Solidity) 그리고 논문작성 꿀팁 등을 공돌이 관점에서 실습을 통해 알아보도록 www.youtube.com 1. 데이터 저장하기 1.1. 라이브러리 임포트 및 데이터 불러오기 #구글 드라이브 마운트 from google.colab import drive drive.mount('/content/drive') #필요한 라이브러리 임포트 import os import numpy as np from..