MA 모델의 가역성 조건과 단기 충격 시계열 분석
MA 모델의 이동연산자 표현, ACF 절단 특성, 가역성 조건과 식별·추정·잔차 진단 절차를 정리한다.
2026-08-14 · 최초 발행 2024-04-29
충격이 남는 기간을 모형으로 표현하는 방법
MA(Moving Average) 모델은 현재 관측값을 현재와 과거 오차항의 결합으로 설명한다. 백색잡음 충격이 일정 기간만 영향을 남기는 시계열에 맞으며, 단기 변동을 다루는 데 적합하다.
MA(q)는 다음과 같이 쓸 수 있다.
[ X_t = \mu + \varepsilon_t + \theta_1\varepsilon_{t-1} + \ldots + \theta_q\varepsilon_{t-q}, \quad \varepsilon_t \sim WN(0,\sigma^2) ]
이 모형은 약한 정상성을 만족한다. 이동연산자 (B)를 사용하면 (\theta(B)=1+\theta_1B+\ldots+\theta_qB^q), (X_t-\mu=\theta(B)\varepsilon_t)가 되며, 유한 임펄스 응답(FIR) 필터로 해석할 수 있다.
식별할 때는 상관구조가 단서가 된다. ACF는 래그 (q)에서 절단되는 경향을 보이고, PACF는 지수적으로 감소하거나 감쇠 진동 형태로 점차 작아진다.
가역성이 모수 선택을 제한하는 이유
가역성은 (\theta(z)=1+\theta_1z+\ldots+\theta_qz^q)의 모든 근 (z_i)가 (|z_i|>1)을 만족하는 조건이다. 이 조건이 성립하면 동등한 AR(∞) 표현이 가능하고, 모수 표현의 유일성도 확보된다.
같은 ACF를 만들어 내는 비가역 MA 모형과 가역 MA 모형이 함께 존재할 수 있다. 가역성 제약은 동일한 자기공분산 구조에 대응하는 중복 해를 하나로 정리하는 역할을 한다.
MA(1)에서는 (|\theta|<1)이 가역성 조건이다. (\rho_1=\theta/(1+\theta^2))이므로 (\theta)와 (1/\theta)가 동일한 ACF를 만들 수 있으며, 관례적으로 (|\theta|<1)인 해를 선택한다.
후보 차수부터 잔차 진단까지
먼저 결측치를 처리하고 평균 항을 확인하며, 로그 변환 등 필요한 변환을 검토한다. 추세 제거가 필요할 정도로 비정상적이면 차분을 적용하고 ARIMA를 고려한다.
후보 차수는 ACF 절단 양상에서 찾는다. 이후 AIC와 BIC로 후보 (q)를 비교하고, 최대우도추정(MLE)으로 모수를 적합한다. 이때 수치 최적화 과정에는 가역성 제약을 적용하는 편이 좋다. 루트 제약이나 재매개변수화로 (|root|>1)을 유지할 수 있다.
적합 후에는 Ljung-Box 검정으로 잔차의 백색성을 확인하고, 정규성과 이분산성도 점검한다. 최종 선택지는 MA(q) 또는 SARIMA(0,d,q)(0,D,Q)s가 될 수 있으며, 단기 포인트 예측·구간 예측과 예측오차 분산을 함께 보고한다.
최적화가 실패하면 초기값을 바꾸거나 (q)를 낮추고, 가역성 강제를 적용할 수 있다. 비가역 추정치는 루트 플립(root flipping) 또는 재매개변수화로 (|root|>1)을 보장한다. 정보기준과 크로스밸리데이션은 과대적합을 피하고 단순한 모형을 선택하는 기준이 된다.
MA 필터에서 가역성 확인으로 이어지는 흐름
AR·MA·ARMA를 선택할 때 보는 차이
| 모형 | 성능(예측정확도) | 확장성(차수/계절) | 일관성(식별/유일성) | 안정성(추정/수렴) | 운영 편의(튜닝/해석) |
|---|---|---|---|---|---|
| AR | 장기 의존성 포착 강점 | 차수↑ 시 과적합 위험 | 비교적 명확한 식별 | 공분산 정상성 조건 필요 | 계수 해석 직관성 높음 |
| MA | 단기 충격 캡처 우수 | 계절 MA로 확장 용이 | 가역성으로 유일성 확보 | 가역성 미준수 시 불안정 | ACF 절단으로 식별 용이 |
| ARMA | 유연한 적합 | 모수 증가로 복잡도↑ | 식별 복잡, 유일성 주의 | 최적화 민감도 높음 | 튜닝 난이도 중간 이상 |
짧은 충격이 반복되는 데이터에서의 활용
리테일 수요에서는 프로모션이나 이벤트 충격이 짧게 지속될 때 MA 성분을 사용할 수 있다. MA(1)~MA(3)는 급격한 변동 뒤 평균으로 돌아가는 패턴을 포착하는 데 쓰인다.
제조 공정에서는 백색잡음이 지배적인 시계열에 FIR 기반 평활을 적용할 수 있다. 필터 기반 잔차 모니터링은 이상탐지 민감도 개선에 활용된다.
금융 체결데이터에서는 초단기 수익률의 마이크로구조 잡음을 MA 성분으로 모델링한다. 이 경우 미세구조 충격이 (q) 지연 동안 확산되는 양상을 반영한다.
statsmodels로 MA(1) 적합과 가역성 확인
전제조건은 Python 3.10+, numpy 1.24+, pandas 2.x, statsmodels 0.14+다.
# 환경: Python 3.10+, statsmodels 0.14+
import numpy as np
import pandas as pd
from statsmodels.tsa.statespace.sarimax import SARIMAX
# 1) 데이터 생성: MA(1), θ=0.6, μ=0
np.random.seed(42)
n = 1000
theta = 0.6
eps = np.random.normal(scale=1.0, size=n+1) # +1 for lag
x = eps[1:] + theta * eps[:-1] # X_t = ε_t + θ ε_{t-1}
y = pd.Series(x)
# 2) 모형 적합: 가역성 제약 활성화
model_inv = SARIMAX(y, order=(0, 0, 1), trend="c", enforce_invertibility=True)
res_inv = model_inv.fit(disp=False)
print("enforce_invertibility=True 추정치:", res_inv.params)
# 3) 가역성 검사: MA 다항식 근의 절댓값 > 1 확인
# statsmodels 결과 객체는 maroots 속성을 제공
print("MA roots:", res_inv.maroots)
print("가역성 만족:", np.all(np.abs(res_inv.maroots) > 1))
# 4) 비교: 제약 비활성화 시도(비가역 영역으로 치우칠 수 있음)
model_noinv = SARIMAX(y, order=(0, 0, 1), trend="c", enforce_invertibility=False)
res_noinv = model_noinv.fit(disp=False)
print("enforce_invertibility=False 추정치:", res_noinv.params)
print("비가역 가능성:", np.any(np.abs(res_noinv.maroots) <= 1))
# 5) 예측
fc = res_inv.get_forecast(steps=12)
print("12단계 ahead 예측 평균:", fc.predicted_mean.values)
print("예측 신뢰구간:\n", fc.conf_int())MA(1)에서 비가역 추정치 (\theta^)의 절댓값이 1 이상이면 (\theta'=1/\theta^)로 가역 영역에 사상할 수 있다. 이때 동일한 자기공분산 구조를 유지하려면 잡음분산 (\sigma^2) 조정이 필요하다.
급격한 변동이 많은 시계열에서는 AR 단독 대비 단기 예측 MAPE/MAE가 5~15% 개선된 경험치가 있으며, 가역성 제약 적용 시 수렴 실패율이 30% 이상 감소한 사례도 보고됐다. 충격의 지속 기간 (q)와 강도 (\theta)를 직관적으로 해석할 수 있고, ACF 절단 규칙과 정보기준을 통해 모형 선택 절차를 표준화할 수 있다.