기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis] 자기상관분석(Autocorrelation Analysis)

자기상관분석

관련된 내용

상관성(correlation)은 두 변수간의 관계를 나타내는 것에 반해 자기상관(autocorrelation)은 한 변수내에 시간 차이에 따른 값들 사이의 관계를 파악하는 것입니다. 다시말하면 행렬의 형태로 표현되는 자료에서 자기상관성은 하나의 열 내에 존재하는 값들 사이의 관계를 나타냅니다. 반면에 상관성은 열(column)들 사이의 관계를 의미합니다. 자기상관의 정도는 식 1과 같이 자기상관 계수(Rh)로 나타냅니다.

\begin{align}R_h& =\frac{ \text{Autocovariance}}{\text{Variance}}\\ &=\frac{\sum^{N-h}_{t=1} (x_t-\bar{x})(x_{t+h}-\bar{x})}{\sum^N_{i=1}(x_t-\bar{x})^2}\\& n\,:\;\text{자료의 크기}\\& h\,:\;\text{시차(lag time)}\end{align} (식 1)

자기상관계수는 함수 pandas.Series.autocorr(lag=1)에 의해 계산됩니다. 이 함수는 Series 객체 즉, 1개의 열 또는 행으로 이루어진 1차원의 벡터에서만 적용할수 있으며 지정된 lag의 차이로 두 그룹을 분리하여 pearson 상관계수를 계산하는 것입니다. 또는 statsmodels.tsa.stattools.acf() 함수를 적용하여 보다 상세한 정보를 확인할 수 있습니다.

예 1)

kospi 지수의 일일 주가 자료중 시가(Open)을 설명변수로 하여 종가(Close)를 추정하는 회귀모델을 작성하고 오차에 대한 자기상관성을 조사합니다.

Open Close
0 2874.50 2944.45
1 2943.67 2990.57
2 2993.34 2968.21
⋮⋮⋮

위 자료는 다음 코드로 호출한 것입니다.

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import FinanceDataReader as fdr
st=pd.Timestamp(2021,1, 1)
et=pd.Timestamp(2024, 5, 10)
kos=fdr.DataReader('KS11',st, et)[["Open","Close"]]
kos.index=range(len(kos)

위 자료를 표준화 합니다.

X=kos.values[:,0].reshape(-1,1)
y=kos.values[:,1].reshape(-1,1)
from sklearn.preprocessing import StandardScaler 
#독립변수 정규화(표준화)
xScaler=StandardScaler().fit(X)
X_n=xScaler.transform(X)
#반응변수 정규화(표준화)
yScaler=StandardScaler().fit(y)
y_n=yScaler.transform(y)

sklearn.liniear_model.linearRegression(fit_intercept=True) 클래스를 사용하여 회귀모델(mod)를 생성합니다.

from sklearn.linear_model import LinearRegression
mod = LinearRegression()
mod.fit(X_n, y_n)
print(f'계수:{np.around(mod.coef_,3)}, \n편차 : {np.around(mod.intercept_,3)}\nR2:{np.around(mod.score(X_n, y_n),3)}')
계수:[[0.997]], 
편차 : [0.]
R2:0.994

위에서 생성한 모델 mod에 대한 오차에 대해 자기상관계수를 계산합니다.

pre=mod.predict(X_n)
error=y_n-pre
mu_e=error.mean()
r=np.sum((error[:-1]-mu_e)*(error[1:]-mu_e))/(np.sum((error-mu_e)**2))
print(f'R_h: {round(r, 3)}')
R_h: -0.024

자기상관계수는 함수 pandas.Series.autocorr(lag=1)에 의해 계산됩니다. 이 함수는 Series 객체 즉, 1개의 열 또는 행으로 이루어진 1차원의 벡터에서만 적용할수 있으며 지정된 lag의 차이로 두 그룹을 분리하여 pearson 상관계수를 계산하는 것입니다. 또는 statsmodels.tsa.stattools.acf() 함수를 적용하여 보다 상세한 정보를 확인할 수 있습니다.

r_h=pd.Series(error.flatten()).autocorr(lag=1)
print(f'R_h: {round(r_h, 3)}')
R_h: -0.024

자기상관계수의 값은 [-1,1]의 범위에 존재하며 0인 경우 자기상관이 없음을 나타냅니다. 자기상관계수의 신뢰구간은 식 2와 같이 계산됩니다.

\begin{align}P\left(-z_{1-\frac{\alpha}{2}}\lt \frac{R_h-\overline{R_h}}{\frac{\sigma}{\sqrt{N}}}\lt z_{1-\frac{\alpha}{2}}\right) & =1-\alpha \\ \Rightarrow P\left(-\frac{z_{1-\frac{\alpha}{2}}}{\sqrt{N}}\lt R_h\lt \frac{z_{1-\frac{\alpha}{2}}}{\sqrt{N}}\right) & =1-\alpha\\ \because\; \overline{R_h}=0,\quad \sigma=1&\\\alpha,\, N: \text{유의수준, 샘플수} \end{align} (식 2)

다음은 유의수준 0.05에서의 신뢰구간은 statsmodels.tsa.stattools.acf() 함수를 사용하여 확인할 수 있습니다.

from statsmodels.tsa.stattools import acf
autoRe=acf(error, adjusted=True, nlags=1, qstat=True, alpha=0.05)
print(f"acf: {autoRe[0].round(3)}\nconfint: {autoRe[1].round(3)}\nq-state:{autoRe[2].round(3)}\np-value:{autoRe[3].round(3)}")
acf: [ 1.    -0.024]
confint: [[ 1.     1.   ]
 [-0.092  0.044]]
q-state:[0.488]
p-value:[0.485]

위 결과는 귀무가설(H0: R_h=0)을 검정하는 것으로 다음을 의미합니다.

  • acf: 시차(nlag) 0과 1에서 자기상관계수
  • confint: 시차 0과 1에서의 신뢰구간
  • q-state: 통계량
  • p-value: 유의확률

그러므로 시차 1의 경우 자기상관성이 없다고 하는 귀무가설을 기각할 수 없습니다.

위 검정 방법과 함께 자기상관성은 식 3으로 계산되는 통계량을 기준으로 상관성의 여부를 판단할 수 있습니다. 이 검정 방법을 Durbin_Watson test 라고 합니다.

$$\text{DW}=\frac{\sum^T_{t=2}(\text{error}_t-\text{error}_{t-1})^2}{\sum^T_{t=2}\text{error}_t^2}$$ (식 3)

위 검정 통계량은 대략적으로 2(1 − Rh)과 같으며 [0, 4]범위에 존재합니다. Rh = 0일 경우 이 검정통계량은 2를 나타내므로 0에 근접할수록 양의 강한 자기상관, 4에 근접할수록 강한 음의 자기상관을 나타냅니다. 일반적으로 (1.5, 2.5) 구간의 값은 자기상관을 무시할 수 있습니다. 통계량 DW는 statsmodel패키지의 stats.durbin_watson() 함수를 적용할 수 있습니다

from statsmodels.stats.stattools import durbin_watson
dw1=durbin_watson(error)
print(f'DW 통계량: {np.around(dw1, 3)}')
DW 통계량: [2.036]

위 결과는 statsmodel.api.OLS() 클래스를 적용하여 생성한 회귀모델의 객체의 메서드 summary()를 사용하여 확인할 수 있습니다. 다음 코드는 회귀모델의 메서드(reg.summary())에 의해 생성된 객체의 속성 tables를 사용한 것입니다. reg.summary()은 3개의 표들을 반환하며 속성 tables를 적용하여 각 표를 분리하여 나타낼 수 있습니다.

from statsmodels.api import add_constant, OLS
X_n0=add_constant(X_n)
reg=OLS(y_n, X_n0).fit()
reg.summary().tables[2]
Omnibus: 54.386 Durbin-Watson: 2.036
Prob(Omnibus): 0.000 Jarque-Bera (JB): 226.583
Skew: 0.020 Prob(JB): 6.28e-50
Kurtosis: 5.564 Cond. No. 1.00

위에서 적용한 acf() 함수는 다양한 시차에서의 자기상관계수($R_h$)를 반환합니다.

acf_v=acf(error, nlags=30)
print(acf_v. round(3))
[ 1.    -0.024 -0.032 -0.036 -0.039 -0.018 -0.029  0.084  0.009  0.067
 -0.025 -0.065  0.009  0.003  0.042 -0.062  0.015  0.029 -0.008  0.026
 -0.046 -0.033 -0.072  0.007 -0.016  0.044 -0.003 -0.053  0.027 -0.032
 -0.011]

시차가 0인 경우 $R_h = 1$은 자신은 자신을 참조하는 것으로서 당연한 것입니다. 그러나 그 이후는 매우 낮은 자기상관계수들을 보입니다. 이 결과는 statsmodels.graphics.tsaplots모듈의 plot_acf(x)를 사용하여 그래프로 나타낼 수 있습니다.

from statsmodels.graphics.tsaplots import plot_acf
)plot_acf(error, lags=30)

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...