추세의 기간

마지막 업데이트: 2022년 3월 3일 | 0개 댓글
  • 네이버 블로그 공유하기
  • 네이버 밴드에 공유하기
  • 페이스북 공유하기
  • 트위터 공유하기
  • 카카오스토리 공유하기
ArcGIS API for Python 에서 작업하는 경우 arcgis.raster.analytics 모듈에서 Generate Trend Raster 를 사용합니다.

추세의 기간

화면개요
사용자가 원하는 추세를 마우스 드래그 기능을 이용하여 캔버스(바둑판)에 작도한 후, 작도되어진 패턴과 유사한 패턴을 가지는 종목들을 검색하여 아래의 검색결과 리스트에 보여줍니다.(단, 상단의 설정내용에 해당하는 종목만 검색대상에 해당됩니다.) 이와 같이, 마우스를 활용한 간편한 동작으로 추세패턴의 종목을 쉽고 빠르게 찾을 수 있습니다.

추세패턴 기본/사용자 목록
차트에서 자주 사용되는 추세패턴과 사용자들이 자주 사용하는 추세패턴을 유형화하여 제공하고 있습니다. 사용자가 작도한 추세패턴을 저장하면, 사용자탭을 통하여 저장여부를 확인할 수 있으며, 해당 추세패턴을 선택하여 사용할 수 있습니다. 또한, 해당 추세패턴을 선택한 후 오른쪽 마우스를 클릭하면, 아래 이미지에서 보여지는 ‘패턴삭제’를 클릭하여, 저장된 추세패턴을 삭제할 수 추세의 기간 있습니다.

유사도 : 찾고자 하는 추세패턴의 유사도를 설정하는 기능으로, 유사도는 추세패턴 검색 로직에 근거하여 추세를 검색합니다. 유사도가 높을수록 추세패턴의 정확도가 높아지나, 검색 종목수는 적어질 수 있습니다.

과거검색 : 과거검색 체크를 안 한 경우에 현재시점으로부터 패턴기간(20)에 해당되는 차트구간에서만 검색하나 과거시점 체크 후 OOO개 이내 선택시 현재시점부터 OOO 이내 봉까지 정해진 패턴기간의 추세패턴의 모양을 찾는 기능입니다.

저장 : 작도한 추세패턴을 사용자가 저장하는 기능입니다. 저장 후 사용자 탭에서 선택하여 사용할 수 있습니다. 삭제는 사용자 탭에서 선택 후 오른쪽 마우스 메뉴에서 패턴삭제를 클릭하여 삭제할 수 있습니다.

캔버스 : 캔버스(바둑판)에서 마우스 왼쪽 버튼 클릭 후, 드래그(drag)하면 사용자가 원하는 추세패턴을 직접 그릴 수 있습니다. 마우스 왼쪽 버튼이 클릭한 상태에서 손을 떼는 순간, 설정된 조건을 대상으로 유사한 패턴을 가진 종목들을 검색합니다.

항목편집 : 검색항목 편집 기능으로 사용자가 원하는 항목(Ex:저가/고가/시가/거래량/매도호가/매수호가 등)에 대하여 추가/삭제/변경 하여 검색결과에 대한 해당 항목 내용을 확인할 수 있습니다.

반전형 패턴으로 머리어깨형을 뒤집어 놓은 형태로 3개의 골짜기가 형성되며 두번째 골짜기가 가장 깊다. 주가가 세번째 골짜기를 형성한 후 골짜기 사이의 두 봉을 이은 선을(목선) 상향 관통할 때 패턴이 완성되고 두번째 골짜기만큼의 주가상승을 예측한다

지속형 패턴으로 봉을 이은 저항선이 하향하고 골짜기를 이은 지지선이 상향한다. 주가가 마지막 골짜기를 형성한 후 저항선을 상향 관통할 때 패턴이 완성되며 삼각형의 밑변만큼의 주가상승을 예측한다.

상승추세에 있던 주가가 직사각형 모양의 보합을 보이다가 다시 상승하는 지속형 패턴이다. 마지막 골짜기 형성 이후 저항선을 관통하면서 패턴이 완성되고 사각형의 높이만큼의 주가상승을 예측한다.

반전형 패턴으로 세개의 봉이 형성되며 두번째 봉이 가장 높다. 주가가 세번째 봉을 형성한 후 세봉들 사이의 골짜기를 이은 목선(넥라인)을 하향 관통하는 순간 패턴이 완성되며 두번째 봉의 높이만큼의 주가상승을 예측한다.

반전형 패턴으로 두개의 봉이 형성된다. 일반적으로 첫번째 봉이 두번째 봉보다 높고 날카로우며 두 봉우리가 형성되는데 소요된 시간이 길고 봉우리의 높이가 높을수록 패턴의 신뢰도가 높다

지속형 패턴으로 골짜기를 이은 지지선이 상향하고 봉을 이은 저항선이 하향한다. 주가가 마지막 봉을 형성한 후 지지선을 하향 관통할 때 패턴이 완성되며 삼각형의 밑변만큼의 주가하락을 예측한다

하락하던 주가가 직사각형 모양의 보합을 보이다가 다시 하락하는 지속형 패턴이다. 주가가 마지막 봉을 형성하고 지지선을 하향관통하면서 패턴이 완성되며 직사각형의 높이만큼의 하락을 예측한다.

추세 분석 에 대한 모든 통계량 및 그래프 해석

평균 절대 백분율 오차(MAPE)는 정확도를 오차의 백분율로 표시합니다. MAPE는 백분율이기 때문에 다른 정확도 측도 통계량보다 더 쉽게 이해할 수 있습니다. 예를 들어 MAPE가 5이면 예측 값은 평균 5% 벗어납니다.

그러나 모형이 데이터를 잘 적합시키는 것으로 보이더라도 MAPE 값이 아주 큰 경우도 있습니다. 0에 가까운 데이터 값이 있는지 확인하려면 그림을 조사하십시오. MAPE는 절대 오차를 실제 데이터로 나누기 때문에 0에 가까운 값이 있으면 MAPE가 상당히 크게 팽창할 수 있습니다.

다른 시계열 모형의 적합치를 비교하는 데 추세의 기간 사용하십시오. 값이 작을수록 적합도가 높습니다. 단일 모형에 3개의 정확도 측도 모두에 대한 가장 낮은 값이 없는 경우 MAPE가 일반적으로 많이 사용되는 측정값입니다.

정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측 값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다.

평균 절대 편차(MAD)는 데이터와 같은 단위로 정확도를 표시하므로 오차의 양을 판단하는 데 도움이 됩니다. MAD의 경우 MSD에 비해 특이치가 적은 영향을 미칩니다.

다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다.

정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측값(적합치)과 실제 Y 추세의 기간 추세의 기간 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다. 또한 모형의 적합치를 조사하여 예측값과 모형이, 특히 계열의 끝에서 데이터를 가깝게 따르는지 확인해야 합니다.

평균 제곱 편차(MSD)는 적합 시계열 값의 정확도를 측정합니다. MSD의 경우 MAD에 비해 특이치가 큰 영향을 미칩니다.

다른 시계열 모형의 적합치를 비교하는 데 사용하십시오. 값이 작을수록 적합도가 높습니다.

정확도 측도는 한 주기 전 잔차를 기반으로 합니다. 각 시점에서 모형이 다음 시점에 대한 Y 값을 예측하기 위해 사용됩니다. 예측값(적합치)과 실제 Y 간의 차이가 한 주기 전 잔차입니다. 이 때문에 정확도 측도는 데이터의 끝에서 1주기를 예측할 때 예상할 수 있는 정확도를 나타냅니다. 따라서 2주기 이상 예측하는 경우의 정확도는 나타내지 않습니다. 예측을 위해 모형을 사용하는 경우 정확도 측도만을 기준으로 결정을 내리지 말아야 합니다. 또한 모형의 적합치를 조사하여 예측값과 모형이, 특히 계열의 끝에서 데이터를 가깝게 따르는지 확인해야 합니다.

추세 값은 적합치라고도 합니다. 추세 값은 시간 (t)에서 변수의 점 추정치입니다.

추세 값은 데이터 집합의 각 관측치에 대한 특정 시간 값을 시계열 모형에 입력하여 계산됩니다.

예를 들어, 모형 방정식이 y = 5 + 10x이면 시간 2에서의 추세 값이 25 (25 = 5 + 10(2))입니다.

추세 값이 관측치와 매우 다른 관측은 비정상적이거나 영향력이 있을 수도 있습니다. 특이치의 원인을 식별해 보십시오. 모든 데이터 입력 또는 측정 오류를 수정하십시오. 비정상적인 일회성 사건과 연관된 데이터 값을 삭제해 보십시오(특수 원인). 그런 다음 분석을 반복하십시오.

추세 제거

추세 제거 값은 잔차라고도 합니다. 추세 제거 값은 관측값과 추세 값 간의 차이입니다.

모형이 적절한지 확인하려면 추세 제거 값을 그림으로 표시하십시오. 값을 조사하면 모형이 데이터에 얼마나 잘 적합되는 지에 대한 유용한 정보를 얻을 수 있습니다. 일반적으로 추세 제거 값은 분명한 패턴이나 비정상적인 값 없이 0 주위에 랜덤하게 분포해야 합니다.

Minitab에서는 사용자가 예측값을 생성하는 기간을 표시합니다. 기간은 예측값의 시간 단위입니다. 기본적으로 예측값은 데이터의 끝에서 시작합니다.

예측값은 시계열 모형에서 얻은 적합치입니다. Minitab에서는 사용자가 지정한 수의 예측값을 표시합니다. 예측값은 데이터의 끝 또는 사용자가 지정한 원점에서 시작됩니다. Minitab에서는 원점 전의 데이터를 사용하여 적합된 추세 방정식의 계수를 계산합니다. 원점을 지정하는 경우 Minitab에서는 해당 열 번호까지의 데이터만 예측값에 사용합니다.

지정된 기간 동안 변수를 예측하려면 예측값을 사용합니다. 예를 들어, 창고 관리자는 이전 60개월 간의 주문을 바탕으로 향후 3개월 동안 얼마나 많은 제품을 주문해야 하는지 모형화할 수 있습니다.

예측값이 정확할지 여부를 확인하려면 추세 분석 그림의 끝 및 예측값을 조사하십시오. 적합치는 특히 계열의 끝에서 데이터를 가깝게 따라야 합니다. 적합치가 계열의 끝에서 데이터로부터 멀어지기 시작하면 기본 추세가 변경될 수도 있습니다. 추세가 변경되면 모형이 정확한 예측값을 생성하지 못할 수도 있습니다. 이 경우 장기간 추세가 일관되지 않은지 여부를 확인하려면 더 많은 데이터를 수집하십시오.

예측값이 정확해 보이더라도 향후 3기간 이상의 예측값에 대해서는 주의하십시오. 짧은 기간의 데이터에서 관측된 추세는 더 큰 주기의 일부일 수 있으며 앞으로는 계속되지 않을 수도 있습니다. 추세는 급변할 수도 있으므로 일반적으로 향후 2 또는 3기간만 예측해야 합니다.

추세 분석 그림

추세 분석 그림은 관측치 대 시간을 표시합니다. 이 그림에는 적합된 추세 방정식에서 계산된 적합치, 예측 값 및 정확도 측도가 포함됩니다.

  • 모형이 데이터에 적합하면 이중 지수 평활 을 수행하고 두 모형을 비교할 수 있습니다.
  • 모형이 데이터를 적합하지 않는 경우에는 분석을 다시 수행하고 다른 유형의 모형을 선택하십시오. 선형 모형을 적합하고 데이터에 곡면성이 보이는 경우 2차, 지수 또는 S-곡선 모형을 선택하십시오. 어느 모형도 데이터를 적합하지 않으면 다른 시계열 분석을 사용하십시오. 자세한 내용은 어떤 시계열 분석을 사용해야 합니까?에서 확인하십시오.

이 추세 분석 그림에서는 적합치가 데이터를 가깝게 따르며, 이는 모형이 데이터에 적합하다는 것을 나타냅니다.

곡선 모수

S-곡선 모형을 선택하는 경우 Minitab에서는 모형에 대한 모수를 표시합니다. 모형은 Yt = (10 a ) / (β0 + β1 * β2 t )입니다. 절편 시간 = 0에서 모형의 값입니다. 절편은 1/β0 + β1과 같습니다. 점근선 시간이 무한대로 증가함에 따라 모형이 접근하는 값입니다. 점근선은 1/β0과 같습니다. 점근율 모형이 점근선에 접근하는 비율입니다. 값이 낮을수록 모형이 점근선에 더 빠르게 접근합니다. 점근율은 β2와 같습니다.

잔차의 히스토그램

잔차의 히스토그램은 모든 관측치에 대한 잔차의 분포를 보여줍니다. 모형이 데이터를 잘 적합시키는 경우, 잔차가 0을 평균으로 랜덤하게 분포해야 합니다. 따라서 히스토그램이 0을 중심으로 거의 대칭이어야 합니다.

잔차의 정규 확률도

잔차의 정규 확률도는 분포가 정규 분포일 때 잔차 대 잔차의 기대값을 표시합니다.

잔차의 정규 확률도를 사용하면 잔차가 정규 분포를 따르는지 여부를 확인할 수 있습니다. 그러나 이 분석에서는 잔차가 정규 분포를 따르지 않아도 됩니다.

잔차가 정규 분포를 따르는 경우, 잔차의 정규 확률도는 대략 직선을 따라야 합니다. 다음 패턴은 잔차가 정규 분포를 따르지 않는다는 것을 의미합니다.

S-곡선은 긴 꼬리를 갖는 분포를 의미합니다.

역 S-곡선은 짧은 꼬리를 갖는 분포를 의미합니다.

하향 곡선은 오른쪽으로 치우친 분포를 의미합니다.

선으로부터 멀리 떨어져 있는 몇 개의 점은 특이치를 갖는 분포를 암시합니다.

잔차 대 적합치

잔차 대 적합치 그림은 y-축에 잔차, x-축에 적합치를 표시합니다.

잔차 대 적합치 그림을 사용하면 잔차가 치우치지 않고 분산이 일정한지 여부를 확인할 수 있습니다. 이상적으로는 점들이 식별 가능한 패턴 없이 0의 양쪽에 랜덤하게 분포해야 합니다.

다음 표의 패턴은 잔차가 치우쳐 있으며 잔차에 일정하지 않은 분산이 있다는 것을 나타낼 수도 있습니다.
패턴 패턴이 나타내는 내용
적합치에 대해 잔차가 부채꼴 모양으로 흩어져 있거나 고르지 않게 퍼져 있음 일정하지 않은 분산
곡선 고차 항 누락
한 점이 0에서 멀리 떨어져 있음 특이치

잔차에 일정하지 않은 분산이나 패턴이 있으면 예측값이 정확하지 않을 수도 있습니다.

잔차 대 순서

잔차 대 순서 그림은 잔차를 데이터가 수집된 순서대로 표시합니다.

잔차 대 순서 그림을 사용하면 적합치가 관측 기간 동안의 관측치와 비교하여 얼마나 정확한지 확인할 수 있습니다. 점들의 패턴은 모형이 데이터에 적합하지 않다는 것을 나타낼 수도 있습니다. 이상적으로는 그림의 잔차들이 중심선 주위에 랜덤하게 분포해야 합니다.

다음 패턴은 추세의 기간 모형이 데이터에 적합하지 않다는 것을 나타낼 수도 있습니다.
패턴 패턴이 나타내는 내용
일관된 장기 추세 모형이 데이터에 적합함
단기 추세 이동 또는 패턴의 변화
한 점이 다른 점들로부터 멀리 떨어져 있음 특이치
점들의 급격한 이동 데이터의 기본 패턴이 변경됨

다음 예의 패턴은 모형이 데이터에 적합하지 않다는 것을 나타낼 수도 있습니다.

관측치의 순서가 왼쪽에서 오른쪽으로 증가함에 따라 잔차가 규칙적으로 줄어듭니다.

잔차 값이 작은 값(왼쪽 부분)에서 큰 값(오른쪽 부분)으로 갑자기 변경됩니다.

잔차 대 변수

잔차 대 변수 그림은 잔차 대 다른 변수를 표시합니다.

그림을 사용하면 변수가 체계적인 방식으로 반응에 영향을 미치는지 여부를 확인할 수 있습니다. 잔차에 패턴이 존재하면 다른 변수가 반응에 연관됩니다. 이 정보를 다른 연구의 기초로 사용할 수 있습니다.

추세선 간 비교

사전 모수 값 ( 옵션 하위 대화 상자)을 지정하는 경우 Minitab에서는 현재 데이터를 사용하는 모형(새 선), 이전 모수를 사용하는 모형(앞 선), 새 모형과 이전 모형을 혼합하는 모형(평활된 선)에 대해 계산된 선을 비교합니다. Minitab에서는 또한 세션 창에 세 가지 모형 모두에 대한 계수 및 정확도 측도를 표시합니다. 세 가지 정확도 측도는 모두 일반적으로 값이 작을수록 적합도가 높다는 것을 나타냅니다.

추세의 기간

로보피아투자자문 로고

Ro Pi ‘s Contents

[이대우의 빅알①] 추세란 무엇인가

종합금융사가 IMF 외환위기를 기점으로 사라진 이후 필자가 여의도를 전전하며 헤지펀드와 빅데이터, 알고리즘 그리고 인공지능(AI)에 대해 고민하고 연구하고 분석하기 시작한 지 어느덧 20년이라는 시간이 흘렀다. 사람이 망각의 동물이라고 하지만 그래도 짧지 않았다. 그러다 지난해 투자자문사를 설립하면서 지난 세월의 과정과 중간 결과치를 가감없이 공개하고자 한다.

“우리는 왜 추세(방향성, trend)와 조정(혼조, adjustments)에 대해 고민하는가?”
“투자의 세계에서 가장 중요한 것은 무엇일까?”
“투자자가 가장 우선적으로 검토해야할 것은 무엇일까?”
“투자자 보호를 위해서 과연 무엇을 할 수 있을까? “

먼저 추세 3부와 조정 3부의 칼럼을 통해 꽤 새로운 시각으로 시장에 접근하는 방법을 제시해보려한다. 위에 적은 질문의 답을 찾기 위한 준비운동에 해당하지 않을까 싶다.

6부의 잠정적인 목차는 다름과 같다.

*추세(trend)정복을 위한 도전(3부)
1. 추세란 무엇인가?
2. 금융이 물리학을 만나다.
3. 가능성, 도약 그리고 공존

*조정(adjustments and falls)의 존재(3부)
1. 우리는 왜 조정을 두려워하는가?
2. 우리는 왜 조급해 하는가?
3. 조정의 해석과 해결은 과연 가능한가?

추세(trend)란 무엇이며, 왜 우리는 추세를 원하는가?

추세의 두드러진 특징은 △강하고(强) △빠르며(速) △지속 시간이 길다(長)는데 있다. 그렇다면 조정은 당연히 그 반대의 개념을 가질 것이다.

우리가 그토록 간절히 추세를 원하는 이유는 투자의 수익을 결정짓는 가장 주요한 요인이기 때문이다. 그렇지만, 그 누구도 추세에 대해 속시원한 답을 주지않는 것이 현실이다. 이번 기회에 추세에 대해 좀 다른 시각으로 답을 찾아가보려고 한다.

추세의 첫번째 특징으로 강함을 들었다. 당연히 ‘과연 강하고 약한 것을 어떻게 명확하게 정의를 내릴 것이냐’가 관건이 될 것이다.

모든 사람이 수긍하는 정답을 찾기가 어려운 투자의 세계에서, 상대적인 강함과 절대적인 강함을 동시에 어떻게 설명할 수 있을까.

우선 절대적인 기준은 명확한 잣대가 있어야만 한다. 강하다는 것은 힘(에너지)을 표현하는 인류의 공통적인 개념으로써, 물리적인 힘을 나타내는 것을 말한다. 비교적 손쉽게 계산이 가능한 영역이다.

결국 예측과 대응의 영역이 아니라 계산의 영역이라는 결론이다.추세의 기간

그렇다면, 상대적인 강함은 과연 어떻게 정의를 내릴 것인가?

막연해 보이지만 그렇지 않다. 역시 그리 어렵지 않게 계산되는 영역으로서, 물리적인 개념으로 입사각과 반사각의 개념을 금융에 접목시키면 그 해답을 찾을 수 있다.

기존의 힘(에너지)과 현재 진행중인 힘의 상대적인 비교를 통해서 그 답을 계산 할 수 있기 때문이다. 물리학과 역학을 통해 설명하는 금융의 개념인데, 뒤에 자세히 설명할 기회를 갖겠다.

두번째 추세의 특징은 ‘빠름’이다. 정해진 목적지(목표가)까지 가는 시간이 단축됨을 의미한다.

그렇다면, 빠르거나 느리다는 개념을 과연 현실적으로 어떻게 구체화할 수 있냐는 문제에 직면하게 된다. 그 해답은 현재 진행되는 과정에서 가격의 기울기를 통해 찾아야만 한다.

결국 물리적인 현상으로 인식해야만 한다는 결론에 도달한다. 그 과정을 짧게 얘기하면 다음과 같다. 물리학으로 해석하는 금융은 국내에서 매우 생소하다는 걸 깔아두고 접근하길 당부드린다.

추세를 통한 목표가 또는 추세를 통해 얻고하는 값은 시간의 경과에 따른 가격의 변화에 다름 아니다.

다시말해 1차 미분값인 방향과 2차 미분값인 속도의 연속적인 결합(리얼타임의 빅데이터)을 거쳐 한방향으로 형성된 기울기(에너지)가 기존값(입사각)을 유지 또는 능가할 때 비로소 추세라 할 수 있다.

추세의 마지막 특징은 지속 시간이 길다는 점이다. 뉴턴의 유명한 관성의 법칙을 떠올리면 쉽다.

외부에서 힘이 가해지지 않는 한 모든 물체는 자기의 상태를 그대로 유지하려고 한다. 이때 외부에서 제공되는 힘(에너지)의 유입만 계산할 수 있으면, 지속기간을 명확하게 계산할 수 있다.

결론적으로 추세는 강하고 빠르며, 지속기간이 길어야 그 의미를 가질 수 있으며, 이는 빅데이터 분석을 통한 실시간 계산으로 따라갈 추세의 기간 수 있음을 증명할 수 있다.

추세 래스터 생성(Generate Trend Raster)

추세 래스터 생성

추세 래스터 생성 도구는 다차원 래스터에 있는 하나 이상의 변수에 대해 디멘전에 따라 각 픽셀의 추세를 추정합니다.

이 도구를 실행하려면 포털이 래스터 분석에 대해 구성되어야 합니다.

Map Viewer 에 이 도구가 보이지 않으면 포털 관리자에게 문의하세요. 포털이 래스터 분석에 대해 구성되어 있지 않거나 이 도구를 실행하는 데 필요한 권한이 없을 수도 있습니다.

워크플로 다이어그램

추세 래스터 생성 워크플로

  • 40년 간의 월별 해양 온도 데이터가 있는 경우 각 픽셀에 맞는 선형 추세선을 계산하여 시간이 따라 온도가 변화된 위치와 방식을 확인합니다.
  • 10년 간 수집된 일일 강수 데이터가 있는 경우 조화 추세선 옵션을 사용하고 R 제곱 적합도 통계를 조사하여 데이터에 계절 추세가 있는지 확인합니다.

사용 참고 사항

이 도구는 선형, 조화, 다항식 추세선을 따라 데이터를 맞추거나 Mann-Kendall 또는 Seasonal-Kendall 테스트를 사용해 추세 감지를 수행하는 데 사용할 수 있습니다.

이 도구로 생성된 결과 추세 래스터는 추세 래스터를 사용하여 예측 도구의 입력으로 사용됩니다.

Mann-Kendall 및 Seasonal-Kendall 테스트는 데이터에 단조 추세가 있는지 여부를 확인하는 데 사용됩니다. 이러한 테스트는 비모수적인 방식이므로 특정한 데이터 분포를 가정하지 않습니다. Mann-Kendall 테스트는 연속 상관관계 또는 계절 효과를 고려하지 않습니다. 데이터가 계절별로 수행되면 Seasonal-Kendall 테스트가 더 적합합니다.

디멘전에 따라 변수 값에 추세를 맞추기 위한 세 가지 추세선 옵션(선형, 조화, 다항식)이 있습니다.

선형, 조화, 2차, 3차 다항식 추세 유형

  • 선형 - 선형 추세선은 단순한 선형 관계를 추정하는 데 사용되는 최적의 직선입니다. 선형 추세는 일정한 속도로 증가하거나 감소하는 변화율을 강조합니다. 선형 추세선의 공식은 다음과 같습니다.
  • 조화 - 조화 추세선은 주기적으로 반복되는 곡선으로, 계절별 온도 변화와 같이 주기적인 패턴을 따르는 데이터를 설명하는 데 가장 적합합니다. 조화 추세선의 공식은 다음과 같습니다.
  • 다항식 - 다항식 추세선은 곡선으로, 변동하는 데이터에 유용합니다. 이 경우, 발생하는 최대 변동 수를 나타내기 위해 다항식 차수 값이 사용됩니다. 다항식 추세선의 공식은 다음과 같습니다.

선형, 조화, 다항식 추세 피팅을 수행하는 경우 결과는 각 슬라이스가 추세선에 대한 정보를 포함하는 다중밴드 래스터인 다차원 영상 레이어입니다. 단일 디멘전(예: 시간)이 포함된 데이터셋의 단일 변수에 대한 추세를 분석하는 경우 결과 데이터셋에는 단일 슬라이스가 포함됩니다. 다중 디멘전(예: 시간과 깊이)이 포함된 데이터셋의 단일 변수를 분석하는 경우 각 슬라이스에는 분석에 포함되지 않은 디멘전에 따라 각 디멘전 값에 대한 추세 정보가 포함됩니다.

  • 밴드 1 = Sen의 경사
  • 밴드 2 = P-Value
  • 밴드 3 = Mann-Kendall 점수
  • 밴드 4 = S Variance
  • 밴드 5 = Z-Score

모델 적합도 통계는 선형, 조화, 다항식 추세 래스터에 대한 선택적 결과로 생성될 수 있습니다. 평균제곱근 오차(RMSE), 결정계수, 추세 경가 p값은 RGB 렌더러를 사용하고 통계를 빨간색, 녹색, 파란색 채널로 지정하여 결과 래스터에 계산 및 표시할 수 있습니다.

다차원 영상 레이어를 발행하는 방법에 대한 자세한 내용은 다차원 영상 레이어 발행을 참고하세요.

현재 맵 범위 사용 을 선택한 경우 현재 맵 범위 내에 보이는 픽셀만 분석됩니다. 선택하지 않으면 전체 입력 영상 레이어가 분석됩니다.

이 도구에 대한 매개변수는 다음 테이블에 나와 있습니다.

분석할 입력 다차원 영상 레이어입니다.

선택한 변수에 대한 추세가 계산되는 디멘전입니다.

추세 계산에 사용할 변수입니다. 변수가 지정되지 않으면 다차원 영상 레이어의 첫 번째 변수가 분석됩니다.

  • 선형 - 변수 픽셀값이 선형 추세선에 따라 맞춰집니다. 이 옵션이 기본 설정입니다.
  • 다항식 - 변수 픽셀값이 2차 다항식 추세선에 따라 맞춰집니다.
  • 조화 - 변수 픽셀값이 조화 추세선에 따라 맞춰집니다.
  • Mann-Kendall - Mann-Kendall 추세 테스트를 사용하여 가변 픽셀 값을 평가합니다.
  • Seasonal-Kendall - Seasonal-Kendall 추세 테스트를 사용하여 가변 픽셀 값을 평가합니다.
  • 일 - 계절 기간의 길이 단위가 일입니다. 이 옵션이 기본 설정입니다.
  • 월 - 계절 기간의 길이 단위가 월입니다.

모델링할 주기적 변동의 길이입니다. 예를 들어 잎사귀 녹색은 대개 1년에 한 번의 강한 변동 주기를 가지므로 주기 길이는 1년입니다. 시간별 온도 데이터는 하루 한 번의 강한 변동 주기를 가지므로 주기 길이는 1일입니다. 데이터가 1년에 두 번의 변동 주기를 갖게 될 경우 주기 길이는 0.5년 또는 182.5일입니다.

연간 주기로 달라지는 데이터의 경우 기본 길이는 1년입니다.

해당 매개변수는 추세선 유형이 조화 로 설정되고 디멘전이 시간으로 설정된 경우에 필요합니다.

  • 일 - 조화 주기의 길이 단위가 일입니다.
  • 년 - 조화 주기의 길이 단위가 년입니다. 이 옵션이 기본 설정입니다.

해당 매개변수는 추세선 유형이 조화 로 설정되고 디멘전이 시간으로 설정된 경우에 필요합니다.

조화 추세 맞춤에 사용할 빈도입니다. 이 매개변수는 1년 주기의 빈도를 지정합니다. 빈도를 1로 설정하면 선형 및 1차 조화 곡선의 조합이 모델을 맞추는 데 사용됩니다. 빈도가 2라면 데이터를 맞추는 데 선형, 1차 조화 곡선, 2차 조화 곡선의 조합이 사용됩니다.

해당 매개변수는 추세선 유형이 조화 로 설정되고 디멘전이 시간으로 설정된 경우에 필요합니다.

다항식 추세 맞춤에 사용할 다항식 차수입니다.

기본값은 2(2차 다항식)입니다.

해당 매개변수는 추세선 유형이 다항식 으로 설정되고 디멘전이 시간으로 설정된 경우에 필요합니다.

  • 선택 - RMSE가 계산되어 결과 추세 래스터의 여러 밴드 중 하나로 포함됩니다. 이 옵션이 기본 설정입니다.
  • 선택 취소 - RMSE가 계산되지 않습니다.
  • 선택 - 결정계수(R-Squared) 값이 계산되어 결과 추세 래스터의 여러 밴드 중 하나로 포함됩니다.
  • 선택 취소 - 결정계수(R-Squared) 값이 계산되지 않습니다. 이 옵션이 기본 설정입니다.
  • 선택 - P-Value가 계산되어 결과 추세 래스터의 여러 밴드 중 하나로 포함됩니다.
  • 선택 취소 - P-Value가 계산되지 않습니다. 이 옵션이 기본 설정입니다.
  • 선택 - 분석은 지정된 차원에 따라 유효한 모든 픽셀을 포함하며 NoData 픽셀을 무시합니다. 이 옵션이 기본 설정입니다.
  • 선택 취소 - 분석은 지정된 차원에 따라 NoData 픽셀값이 있는 경우 NoData를 반환합니다.

내 콘텐츠 에 생성되고 맵에 추가되는 레이어의 이름입니다. 기본 이름은 도구 이름과 입력 레이어 이름을 기반으로 합니다. 레이어가 이미 있는 경우 다른 이름을 입력하라는 메시지가 나타납니다.

결과 저장: 드롭다운 상자를 사용하여 결과가 저장될 내 콘텐츠 에서 폴더 이름을 지정할 수 있습니다.

분석 환경

분석 환경 설정은 도구의 결과에 영향을 주는 추가 매개변수입니다. 도구의 분석 환경 설정은 도구 창 상단에 있는 기어 아이콘 을 클릭하여 접근할 수 있습니다.

이 도구는 다음과 같은 분석 환경 을 적용합니다.

  • 결과 좌표계 - 결과 레이어의 좌표계를 지정합니다.
  • 범위 - 분석에 사용할 영역을 지정합니다.
  • 스냅 래스터 - 지정된 스냅 래스터 레이어의 셀 정렬과 일치하도록 결과의 범위를 조정합니다.
  • 셀 크기 - 결과 레이어에서 사용할 셀 크기입니다.
  • 마스크 - 마스크 레이어를 지정하며, 마스크 레이어 내에 해당하는 셀만 분석에 사용됩니다.
  • 리샘플링 방법 - 픽셀 값을 보간하는 데 사용할 방법입니다.
  • 처리 작업자 간격 재구성 - 작업자 프로세스 재시작 전에 처리할 이미지 섹션 수를 정의합니다.
  • 병렬 처리 계수 - 래스터 처리 CPU 또는 GPU 인스턴스를 제어합니다.
  • 오류에 대한 추세의 기간 재시도 횟수 - 작업 처리 시 랜덤 오류가 발생한 경우에 작업자 프로세스에서 재시도하게 되는 횟수를 정의합니다.

유사한 도구 및 래스터 함수

다차원 이상치 생성을 사용하여 시간에 따른 변수의 이상치 값을 계산합니다. 비슷한 문제를 해결하는 데 유용한 기타 도구를 사용할 수 있습니다.

Map Viewer 분석 도구 및 래스터 함수

추세 래스터를 사용하여 예측 도구는 추세 래스터 생성 도구의 결과를 사용하여 향후 날짜 또는 날짜 범위에 대한 변수 값을 예측합니다.

ArcGIS Pro 분석 도구 및 래스터 함수

추세 래스터 생성 지오프로세싱 도구는 Image Analyst 도구상자에서 제공됩니다.

추세 생성은 래스터 함수로도 사용할 수 있습니다.

ArcGIS Enterprise 개발자 리소스

ArcGIS REST API 에서 작업하는 경우에는 Generate Trend Raster 작업을 사용합니다.

ArcGIS for Python API 웹사이트

ArcGIS API for Python 에서 작업하는 경우 arcgis.raster.analytics 모듈에서 Generate Trend Raster 를 사용합니다.

추세의 기간

사용자가 원하는 추세를 캔버스(바둑판)에 마우스를 이용하여 작도한 추세의 형태를 지정된 대상에서 검색하는 화면입니다. 마우스의 간편한 동작으로 추세패턴의 종목을 쉽고 빠르게 찾을 수 있습니다.

추세패턴 기본/사용자 목록
차트에서 주로 사용되는 추세패턴의 모양과 사용자들이 주로 사용하는 추세패턴의 모양을 기본형태로 제공하고 있습니다. 고객이 작도한 추세패턴을 저장하여 사용자 탭에서 선택하여 다시 사용할 수 있습니다.

유사도 : 찾고자 하는 추세패턴의 유사도를 지정하여 검색하는 기능으로 유사도는 추세패턴 검색 로직에 근거하여 유사도 기준 이상의 추세를 검색합니다. 유사도가 높을수록 추세패턴의 정확도가 높아지나, 검색 종목수는 적어질 수 있습니다.

과거검색 : 과거검색 체크를 안 한 경우에 현재시점으로부터 패턴기간(20)에 해당되는 차트구간에서만 검색하나 과거시점 체크 후 OOO개 이내 선택시 현재시점부터 OOO 이내 봉까지 정해진 패턴기간의 추세패턴의 모양을 찾는 기능입니다.

저장 : 작도한 추세패턴을 사용자가 저장하는 기능입니다. 저장 후 사용자 탭에서 선택하여 사용할 수 있습니다. 삭제는 사용자 탭에서 선택 후 오른쪽 마우스 메뉴에서 패턴삭제를 클릭하여 삭제할 수 있습니다.


반전형 패턴으로 머리어깨형을 뒤집어 놓은 형태로 3개의 골짜기가 형성되며 두번째 골짜기가 가장 깊다. 주가가 세번째 골짜기를 형성한 후 골짜기 사이의 두 봉을 이은 선을(목선) 상향 관통할 때 패턴이 완성되고 두번째 골짜기만큼의 주가상승을 예측한다.


지속형 패턴으로 봉을 이은 저항선이 하향하고 골짜기를 이은 지지선이 상향한다.
주가가 마지막 골짜기를 형성한 후 저항선을 상향 관통할 때 패턴이 완성되며 삼각형의 밑변만큼의 주가상승을 예측한다.


상승추세에 있던 주가가 직사각형 모양의 보합을 보이다가 다시 상승하는 지속형 패턴이다.
마지막 골짜기 형성 이후 저항선을 관통하면서 패턴이 완성되고 사각형의 높이만큼의 주가상승을 예측한다.


반전형 패턴으로 세개의 봉이 형성되며 두번째 봉이 가장 높다.
주가가 세번째 봉을 형성한 후 세봉들 사이의 골짜기를 이은 목선(넥라인)을 하향 관통하는 순간 패턴이 완성되며 두번째 봉의 높이만큼의 주가상승을 예측한다.


반전형 패턴으로 두개의 봉이 형성된다.
일반적으로 첫번째 봉이 두번째 봉보다 높고 날카로우며 두 봉우리가 형성되는데 소요된 시간이 길고 봉우리의 높이가 높을수록 패턴의 신뢰도가 높다.


지속형 패턴으로 골짜기를 이은 지지선이 상향하고 봉을 이은 저항선이 하향한다.
주가가 마지막 봉을 형성한 후 지지선을 하향 관통할 때 패턴이 완성되며 삼각형의 밑변만큼의 주가하락을 예측한다.


하락하던 주가가 직사각형 모양의 보합을 보이다가 다시 하락하는 지속형 패턴이다.
주가가 마지막 봉을 형성하고 지지선을 하향관통하면서 패턴이 완성되며 직사각형의 높이만큼의 하락을 예측한다.


0 개 댓글

답장을 남겨주세요