AARIMA

AARIMA(Autoregressive Integrated Moving Average with exogenous inputs)는 exogenous 변수를 고려하는 ARIMA 모델의 한 형태입니다.

ARIMA 모델은 시계열 데이터에서 다음 시점의 값을 예측하는 데에 매우 효과적인 방법 중 하나이지만, 시계열 데이터에 종속적인 변수들만 고려하기 때문에 모델의 예측력이 제한될 수 있습니다. AARIMA는 이러한 문제점을 해결하기 위해 exogenous 변수를 모델에 포함시키는 방법입니다.

AARIMA 모델은 ARIMA 모델에서 exogenous 변수를 추가한 형태로, 다음과 같은 수식으로 나타낼 수 있습니다.

y_t = c + α_1y_(t-1) + ... + α_py_(t-p) + β_1x_1,t + ... + β_qx_q,t + e_t + θ_1e_(t-1) + ... + θ_qe_(t-q)

이 수식에서, y_t는 예측하려는 시계열 데이터의 값이고, x_1,t, ..., x_q,t는 exogenous 변수들입니다. α_1, ..., α_p는 자기회귀(AR)항의 계수이고, β_1, ..., β_q는 exogenous 변수의 계수입니다. e_t는 오차항이고, θ_1, ..., θ_q는 이동평균(MA)항의 계수입니다.

AARIMA 모델은 ARIMA 모델과 유사한 방식으로 학습되며, 최적의 모수를 찾기 위해 최소제곱법 등의 방법을 사용합니다. 이를 통해, AARIMA 모델은 exogenous 변수를 포함한 시계열 데이터에 대한 예측 모델을 만들 수 있습니다.

------------------------------------------------------------------------------------------------------------------------------

AARIMA 모델에서 exogenous 변수는 시계열 데이터와 연관되어 있지만, 시계열 데이터에 종속적이지 않은 외부 변수를 말합니다.

예를 들어, 주식 가격을 예측하는 모델에서 시계열 데이터는 해당 주식의 과거 가격 데이터이고,

exogenous 변수는 주가 이동평균, 거래량, 기업의 재무상태 등과 같은 다른 변수들입니다.

 

이러한 exogenous 변수들은 시계열 데이터의 특성을 설명하고, 예측력을 향상시킬 수 있습니다. 예를 들어, 주식 가격을 예측하는 모델에서 주가 이동평균이 exogenous 변수로 사용되면, 이동평균은 과거 주가 데이터의 추세를 반영하고, 이를 통해 미래의 주가 변동을 예측할 수 있습니다.

AARIMA 모델에서 exogenous 변수는 ARIMA 모델과 유사하게 사용되지만, ARIMA 모델과 달리 exogenous 변수가 존재하면 ARIMA 모델과 exogenous 변수를 함께 사용하여 모델을 구성합니다. 이를 통해, AARIMA 모델은 ARIMA 모델보다 더 정확한 예측을 수행할 수 있습니다.