시계열 이미지 인코딩에 따른 불확실성 정량화

Abstract

인공지능의 발전으로 머신러닝과 딥러닝 모델을 다양한 분야에 적용하고자 하는 노력이 지속되고 있다. 딥러닝 모델은 복잡한 구조를 보이며 다양한 산업에서 좋은 성능을 보이고 있다. 최근 금융시장에서도 적용되는 사례가 증가하며 주로 정확도를 높이는데 중점이 되는 연구가 진행되고 있다. 특히 금융시장의 시계열 데이터의 경우 여러 가정을 만족해야하는 전통적인 통계 모델과 달리 딥러닝 모델은 비교적 모델 설정이 간단하며 성능이 좋아 딥러닝 모델을 활용하는 논문이 증가 추세를 보이고 있다. 그러나 딥러닝 모델은 예측 결과가 나오게 된 과정과 해석을 파악하기에 어려움이 있어 결과에 대한 해석이 특히 중요시 되는 금융에 딥러닝 모델을 적용하는데 장애 요소가 되고 있고 신뢰할 수 있는 모델에 대한 필요성이 대두되고 있다. 신뢰할 수 있는 모델이란 모델의 변동에도 일관된 예측을 보이는 안정적인 모델로서 모델의 불확실성을 통해 파악할 수 있다. 본 연구에서는 시계열 데이터를 딥러닝 모델에 적용했을 때 모델의 예측을 신뢰할 수 있는지를 중점으로 높은 정확도와 함께 모델의 불확실성을 정량화하는 연구를 진행하였다. 전통적인 통계모델 ARIMA(Auto Regressive Integrated Moving Average)와 딥러닝 모델인 MLP(Multi Layer Perceptron), CNN(Convolutional Neural Network), LSTM(Long Short Term Memory), 및 CNN-LSTM 모델을 비교하였고 다양한 패턴의 시계열 데이터에서 적합한 딥러닝 모델이 다름을 확인하였다. 딥러닝 중에서 CNN 모델을 적용할 때 시계열 이미지화에 대한 차이를 연구하였고 각 딥러닝 모델의 불확실성을 정량화하는 방법에 대해 비교하였다. 불확실성은 딥러닝 모델에 베이지안 관점을 적용하여 불확실성을 측정하였고 MC Dropout을 적용하였다. 또한 이상 감지에 적합한 모델을 제시하였다.