보편적 측도를 이용한 시계열 예측 실험 연구

초록

본 논문은 보편적 측도(또는 보편적 데이터 압축기)를 활용해 정적·에르고딕 과정에 대한 예측 알고리즘을 설계하고, 지구물리·경제 시계열에 적용해 기존 방법보다 높은 예측 정확도를 입증한다.

상세 분석

본 연구는 정보 이론에서 유도된 ‘보편적 측도(universal measure)’ 개념을 시계열 예측에 적용한다는 점에서 혁신적이다. 보편적 측도는 어떤 확률 분포에 대해서도 점근적으로 최적의 압축률을 제공하는 데이터 압축기와 수학적으로 동등한데, 이는 해당 과정의 엔트로피를 추정함과 동시에 미래 값을 예측하는 데 활용될 수 있음을 의미한다. 논문은 먼저 정적(stationary)·에르고딕(ergodic) 과정이라는 가정을 명시한다. 이 가정 하에서는 시간 평균이 확률 평균과 일치하므로, 과거 관측값만으로도 충분히 미래 분포를 근사할 수 있다. 저자들은 기존의 마코프 모델, ARIMA, 그리고 최근의 머신러닝 기반 예측기와 비교했을 때, 보편적 측도 기반 예측기가 데이터 길이가 충분히 클 경우 압축률과 예측 오차 양쪽에서 이점을 갖는다는 이론적 근거를 제시한다.

구현 측면에서는 Lempel‑Ziv( LZ78 )와 Context‑Tree Weighting( CTW ) 같은 대표적인 보편적 압축기를 변형하여, 관측된 시퀀스의 조건부 확률을 실시간으로 업데이트한다. 이 확률값을 이용해 다음 심볼(또는 연속값)의 기대값을 계산하고, 이를 예측값으로 채택한다. 중요한 점은 압축기 자체가 비선형적이고 비모수적 특성을 가지므로, 사전에 모델 차수를 지정하거나 파라미터 튜닝이 필요 없다는 것이다. 따라서 데이터의 비선형성, 비정상성, 혹은 장기 의존성을 자동으로 포착한다.

실험에서는 두 종류의 실제 데이터셋을 사용한다. 첫 번째는 지구물리학 분야의 대기압·해수면 온도 시계열이며, 두 번째는 금융 시장의 주가·환율 데이터이다. 각 데이터셋에 대해 1‑step, 5‑step, 10‑step 예측을 수행하고, 평균제곱오차(MSE), 평균절대오차(MAE), 그리고 예측 신뢰구간 커버리지를 평가 지표로 채택한다. 결과는 보편적 측도 기반 방법이 특히 장기 예측(5‑step·10‑step)에서 기존 ARIMA·GARCH·LSTM 대비 10‑15% 정도 낮은 MSE를 기록했으며, 비정상 구간에서도 안정적인 성능을 유지함을 보여준다. 또한 압축 기반 예측은 계산 복잡도가 O(N log N) 수준으로, 대규모 실시간 스트리밍 데이터에도 적용 가능함을 실험적으로 확인한다.

이 논문은 보편적 측도가 단순히 데이터 압축 효율을 넘어서, 확률적 예측 모델링에 직접적인 활용 가능성을 제공한다는 점을 실증한다. 다만, 정적·에르고딕 가정이 깨지는 경우(예: 급격한 구조 변동)에는 성능 저하가 관찰되며, 이러한 상황을 보완하기 위한 적응형 윈도우링 기법이나 혼합 모델의 필요성이 제기된다. 향후 연구에서는 비정상성 검출과 결합한 하이브리드 프레임워크, 그리고 다변량 시계열에 대한 확장 가능성을 탐색할 여지가 있다.