최신 시계열 모델: 더 똑똑하게 차트를 읽는 법

오늘은 PatchTST, TFT, iTransformer를 아주 깊게 구현하기보다, "무엇을 더 잘 보려고 만든 모델인가?"를 이해하는 날입니다.

오늘의 목표

최신 시계열 모델 이름을 덜 무섭게 느끼게 합니다.
각 모델이 어떤 힌트에 강한지 감을 잡습니다.
웹앱에서 "여러 힌트를 함께 보는 문제"를 체험할 준비를 합니다.

아주 쉽게 나누면

모델	쉬운 그림	잘하는 일
PatchTST	긴 주가 차트를 며칠씩 잘라 읽기	긴 차트를 조각으로 보기
TFT	가격, 거래량, 계절을 같이 읽기	여러 힌트를 함께 보기
iTransformer	여러 종목 관계를 함께 보기	변수끼리 연결 읽기

오늘의 낱말 4개

낱말	한자·영어	쉬운 뜻
patch	패치 / patch	조각. 긴 시계열을 일정 길이로 잘라낸 하나의 데이터 덩어리
fusion	融合 / fusion	여러 힌트를 합치기. 融(녹을 융)+合(합할 합). 여러 입력 정보를 하나의 벡터로 섞는 과정
variable	變數 / variable	바뀌는 입력값 하나. 變(바뀔 변)+數(셀 수). 모델이 입력으로 받는 각각의 특성(예: 종가, 거래량)
multivariate	多變量 / multivariate	여러 입력을 함께 쓰는 것. 多(많을 다)+變量(변하는 양). 단일 변수가 아닌 여러 특성을 동시에 넣어 예측하는 방식

왜 이런 모델이 나왔을까요?

기본 Transformer도 똑똑하지만, 시계열 문제에서는 더 보고 싶은 것이 있습니다.

긴 구간을 더 편하게 읽고 싶다
가격 말고 거래량, 계절, 이벤트도 같이 보고 싶다
종목 여러 개가 함께 움직이는 관계도 보고 싶다

그래서 시계열용 Transformer 가족이 생겼다고 생각하면 쉽습니다.

오늘 열 페이지

오늘의 20분 코스

시간	할 일
8분	이 문서에서 세 모델 차이를 읽습니다.
5분	메인 학습 허브에서 `chapter103` 설명을 다시 봅니다.
4분	주가 예측 타겟팅 실험실에서 PatchTST/iTransformer 대응 예시 카드를 읽습니다.
3분	호텔-주가 실험실에서 TFT 대응 멀티팩터 예시를 확인합니다.

웹앱 따라 하기

메인 학습 허브에서 chapter103을 열어 attention 개념을 다시 봅니다.
주가 예측 타겟팅 실험실로 이동해 Transformer 계열 투자 예시 가이드를 읽습니다.
PatchTST는 긴 차트, iTransformer는 여러 종목 비교에 닿아 있다는 설명을 확인합니다.
이어서 호텔-주가 실험실로 이동해 Transformer 계열 주식 예시 매핑을 봅니다.
계절성, 신호, 혼동 행렬 같은 탭 이름을 읽으며 TFT식 멀티팩터 입력을 연결합니다.

오늘은 결과 숫자를 다 외우지 않아도 됩니다.
중요한 것은 **"한 가지 힌트만 보는 문제가 아니구나"**를 느끼는 것입니다.

현재 웹앱에 있는 Transformer 계열 예시

현재 웹앱은 PatchTST/TFT/iTransformer를 전용 모델 버튼으로 직접 학습시키지는 않습니다.
대신 아래처럼 투자 상황 예시로 연결되어 있습니다.

모델	현재 웹앱 대응 화면	투자 예시
PatchTST	/predict	6~12개월 단일 종목 CSV를 올려 장기 추세, 모멘텀, 변동성 특성이 어떻게 읽히는지 비교
TFT	/hotel-stock	실적·레짐·가격 파생 특성을 함께 넣어 외생 변수까지 반영하는 멀티팩터 투자 판단
iTransformer	/predict, /hotel-stock	여러 종목을 같은 날짜축으로 비교하거나 업종별 반응 차이를 함께 해석

관찰 미션

가격 말고 또 어떤 힌트가 필요할 것 같나요?
계절이나 이벤트가 주가와 함께 움직일 수 있을까요?
여러 힌트를 한 번에 보는 모델이 왜 필요할까요?

알고리즘 처리 흐름 (Day 4)

PatchTST 흐름

flowchart TD
    A["긴 시계열 입력\n(수백 시점 주가)"] --> B["패치 분할\n일정 길이 P씩 잘라 N개 조각 생성"]
    B --> C["패치 임베딩\n각 조각 → d차원 벡터"]
    C --> D["위치 인코딩 추가\n시간 순서 정보 부여"]
    D --> E["Transformer Encoder\nSelf-Attention으로 패치 간 관계 학습"]
    E --> F["예측 헤드\n미래 H시점 값 출력"]

TFT (Temporal Fusion Transformer) 흐름

flowchart TD
    A["과거 시계열\n(가격·거래량)"] --> B["LSTM 인코더\n시계열 패턴 추출"]
    C["외생 변수\n(거시경제·달력 특성)"] --> D["Variable Selection Network\n중요 변수 가중 선택"]
    E["정적 특성\n(종목·섹터 코드)"] --> D
    D --> F["Gated Residual Network\n불필요 정보 게이팅"]
    B --> F
    F --> G["Temporal Self-Attention\n시간 중요도 학습"]
    G --> H["분위수 예측 출력\n(10%, 50%, 90%)"]

iTransformer 흐름

flowchart TD
    A["다변량 시계열 입력\n(여러 종목·변수 동시 입력)"] --> B["변수 축 임베딩\n각 변수를 독립 토큰으로 변환"]
    B --> C["변수 간 Self-Attention\n종목·변수 상관관계 학습"]
    C --> D["피드포워드 네트워크\n각 변수 표현 강화"]
    D --> E["다변량 예측 출력\n여러 종목·변수 동시 예측"]

알고리즘 계보도 (Day 4)

flowchart TD
    RNN["RNN\n(1986)"]
    LSTM["LSTM\n(1997)"]
    Trans["Transformer\n(2017, Vaswani 외)"]
    PatchTST["PatchTST\n(2022, Nie 외)\n시계열 패치 토큰화"]
    TFT["TFT\n(2019, Lim 외)\n외생변수·게이팅 융합"]
    iTrans["iTransformer\n(2023, THUML)\n변수 축 어텐션"]

    RNN -->|"기울기 소실 해결"| LSTM
    LSTM -->|"순차 처리 병목 해소"| Trans
    Trans -->|"패치 분할로 긴 시계열 처리"| PatchTST
    Trans -->|"정적·과거·미래 공변량 융합"| TFT
    Trans -->|"변수 간 상관관계 강화"| iTrans

    style RNN fill:#d4e6ff
    style LSTM fill:#c8e6c9
    style Trans fill:#e1bee7
    style PatchTST fill:#f8bbd0
    style TFT fill:#f8bbd0
    style iTrans fill:#f8bbd0

모델 상세 참고 (Day 4)

모델	수학적 의미	탄생 배경	주식투자 활용	만든 사람/대표 GitHub
PatchTST	긴 시계열을 패치 토큰으로 분할해 Transformer attention으로 학습합니다.	긴 입력에서 계산량을 줄이면서 정보 손실을 최소화하려고 제안되었습니다.	장기 가격 흐름(수백 시점) 예측, 멀티호라이즌 수익률 예측에 적합합니다.	Yuqi Nie 외 · https://github.com/yuqinie98/PatchTST
TFT (Temporal Fusion Transformer)	정적/과거/미래 공변량을 게이팅·어텐션으로 융합해 예측합니다.	실제 산업 데이터의 다중 입력(달력/외생변수) 반영 필요에서 등장했습니다.	가격+거래량+거시지표+달력 특성을 함께 넣는 투자 예측에 강합니다.	Bryan Lim 외 · https://github.com/google-research/google-research/tree/master/tft
iTransformer	시점 축 대신 변수 축 중심 attention으로 다변량 상관관계를 강화합니다.	변수 수가 많은 시계열에서 변수 간 관계를 더 잘 포착하려는 목적입니다.	섹터·멀티자산 동시 예측처럼 변수 상호영향이 큰 문제에 유리합니다.	THUML 연구팀 · https://github.com/thuml/iTransformer

분야별 모델 쓰임새 및 적합도 (Day 4)

모델	데이터셋 형태	헬스케어	자율주행	주식투자	로봇	AI Ops
PatchTST	장기 단변량·다변량 시계열(수백 시점 이상)	웨어러블 장기 생체신호 예측, 환자 장기 모니터링	장거리 주행 패턴 예측, 장기 센서 신호 분석	장기 가격 흐름·멀티호라이즌 수익률 예측	장기 동작 계획, 환경 변화 장기 예측	서버 부하 장기 예측, SLA 이상 사전 감지
TFT	다변량 시계열 + 외생변수(달력·이벤트 포함)	복약 순응도·입원 수요 예측, 외부 변수 반영	날씨·교통 외생변수 통합 주행 패턴 예측	가격·거래량·거시지표·달력 특성 통합 예측	다중 센서·외부 환경 융합 동작 예측	트래픽 + 이벤트 결합 장애 예측, 운영 계획
iTransformer	변수 수가 많은 다변량 시계열 데이터	다중 생체신호(ECG·SpO₂·혈압) 동시 분석	다중 센서 채널 간 상관관계 학습	섹터·멀티자산 동시 예측, 변수 간 영향 해석	다관절 로봇 다변량 상태 동시 분석	다중 메트릭 동시 이상 감지, 상관 장애 탐지

모델 혼합 & 검증 아이디어 (Day 4)

PatchTST, TFT, iTransformer는 각각 **"어디를 어떻게 보는가"**가 다릅니다.
주식 투자 솔루션에서 세 모델을 역할별로 나눠 섞으면 강력한 파이프라인이 됩니다.

혼합 아이디어

혼합 방법	어떻게 섞나요?	왜 좋을까요?
역할 분담 앙상블	PatchTST로 단일 종목 장기 가격 패턴을 읽고, TFT로 거시경제·계절성 외생변수를 함께 반영하고, iTransformer로 여러 종목 간 상관관계를 잡아 세 신호를 가중 평균	각 모델이 서로 다른 "창문"으로 시장을 보기 때문에 정보 손실이 줄어듦
순차 필터링	iTransformer로 섹터 내 강세 종목 후보를 먼저 고르고, TFT로 선택된 후보의 외생변수 반응을 추가 분석	종목 선별과 상세 분석을 단계별로 나눠 효율이 높아짐
확률 합의 방식	세 모델 중 2개 이상이 "상승" 신호를 낼 때만 매수, 1개 이하면 관망	다수결로 거짓 신호를 걸러냄

검증 방법

롤링 윈도우 검증: 고정된 크기의 학습 창(예: 180일)을 1주일씩 앞으로 밀면서 반복 검증합니다. 시계열 데이터의 분포 변화를 자연스럽게 반영합니다.
외생변수 민감도 분석: 금리, VIX, 환율 같은 거시 변수를 하나씩 빼봐서 어떤 변수가 모델에 가장 큰 영향을 미치는지 확인합니다.
다변량 예측 오차 분해: 전체 예측 오차 중 "단일 가격 패턴"에서 오는 오차와 "외생변수"에서 오는 오차를 분리해 각 모델의 기여를 파악합니다.
멀티호라이즌 검증: 1일 후, 5일 후, 20일 후 예측을 각각 따로 평가해 모델이 어느 기간 예측에 더 강한지 비교합니다.

아주 쉽게 말하면: PatchTST는 차트 패턴 전문가, TFT는 경제 날씨 전문가, iTransformer는 종목 관계 전문가입니다.
세 전문가의 의견을 모아 종합 판단을 내리면 혼자 판단하는 것보다 더 믿을 수 있습니다.

웹앱 안쪽 들여다보기

여러 힌트를 같이 보는 데이터셋 API

데이터셋 허브는 아래 주소로 움직입니다.

GET /api/datasets : 어떤 CSV가 있는지 목록 보기
GET /api/datasets/{id} : 열 이름, 미리보기, 차트 힌트 보기
GET /api/datasets/{id}/adapted/stock-lab : 주식 AI 실험실 형식으로 자동 변환

특히 chart_hint 는 이 데이터를 timeseries, scatter, bar 중 어떤 그림으로 읽으면 좋은지 알려줍니다.

호텔-주가 실험실은 어떤 입력을 함께 볼까요?

POST /api/hotel-stock/train 은 단일 주가만 보지 않고 아래 묶음을 같이 봅니다.

호텔 예약률 특성 30개
계절성 특성 4개
가격 파생 특성 7개

그래서 Day 4에서 말한 “여러 힌트를 한 번에 보기”가 웹앱에서는 실제 특성 묶음으로 구현됩니다.

심화 실습 1. Transformer 파이프라인을 큰 그림으로 보기

Transformer 계열 모델은 이름은 복잡하지만 흐름은 비교적 일정합니다.

가격·거래량 같은 특성을 만듭니다.
각 날짜를 벡터로 바꿉니다.
날짜 순서를 알려주는 Positional Encoding을 더합니다.
Self-Attention으로 중요한 날짜끼리 연결합니다.
마지막 표현으로 상승/하락이나 미래 값을 예측합니다.

꼭 기억할 4개 부품

부품	역할
Positional Encoding	날짜 순서 정보 추가
Multi-Head Attention	여러 관점에서 중요 날짜 계산
Feed-Forward	비선형 패턴 강화
Residual Connection	깊은 네트워크 안정화

LSTM 스타일과 비교하면

LSTM 스타일: 최근 흐름을 순서대로 누적해 기억
Transformer 스타일: 멀리 떨어진 시점도 바로 연결
따라서 이벤트 전후나 긴 구간 패턴에서는 Transformer 설명이 더 직관적일 수 있습니다.

심화 실습 2. PatchTST는 왜 조각으로 읽을까요?

PatchTST는 하루를 한 토큰으로 보지 않고, 며칠치 묶음 자체를 하나의 패턴으로 봅니다.

개념	쉬운 뜻	실전 감각
Patch	5일, 7일 같은 짧은 구간 조각	"3일 연속 상승" 같은 패턴 묶음
Stride	다음 조각으로 얼마나 이동할지	1이면 촘촘, 2면 조금 띄엄띄엄
Patch Attention	조각끼리 중요도 계산	어떤 구간 패턴이 지금과 닮았는지 보기

언제 유리할까요?

장기 차트에서 반복되는 패턴을 찾고 싶을 때
하루 단위 잡음보다 며칠 묶음 추세를 보고 싶을 때
종목별로 "패턴이 읽히는 정도"를 비교하고 싶을 때

챕터	주제	실행 방법
chapter104	PatchTST 기초	`cd chapters/chapter104 && python practice.py`

심화 실습 3. Multi-Head Attention과 종목 관계 읽기

Multi-Head Attention은 "중요 날짜를 여러 방식으로 본다"는 뜻입니다.

헤드가 볼 수 있는 관점	예시
단기 모멘텀	최근 3~5일 급등·급락
거래량 이상	평소보다 거래가 크게 늘어난 날
장기 추세	이동평균이 꺾이거나 이어지는 흐름
노이즈 분리	중요하지 않은 흔들림 구분

종목 간 관계 분석에 왜 좋을까요?

삼성전자와 SK하이닉스처럼 함께 움직이는 종목은 비슷한 attention 패턴이 나올 수 있습니다.
반도체와 IT 서비스처럼 성격이 다른 종목군은 헤드별 반응이 달라질 수 있습니다.
ETF와 개별 종목을 비교하면, 어떤 쪽이 더 매끄럽고 예측하기 쉬운지도 볼 수 있습니다.

챕터	주제	실행 방법
chapter103	Transformer 기초	`cd chapters/chapter103 && python practice.py`
chapter105	Multi-Head Attention	`cd chapters/chapter105 && python practice.py`

Uh oh!

FilesExpand file tree

04.md

Latest commit

History