💰 quantitative finance

BASTION: A Bayesian Framework for Trend and Seasonality Decomposition

본 논문은 급격한 변화, 이상치, 그리고 시변 변동성을 효과적으로 처리하면서 시계열을 추세와 다중 계절성 성분으로 고유하게 식별하고 강건하게 분해하는 동시에, 기존 방법론들과 비교하여 우수한 불확실성 정량화를 제공하는 유연한 베이지안 프레임워크인 BASTION을 소개한다.

원저자: Jason B. Cho, David S. Matteson

게시일 2026-01-27

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Jason B. Cho, David S. Matteson

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신이 복잡한 음악 한 곡을 듣고 있다고 상상해 보세요. 이 곡에는 일정한 베이스라인(추세/trend)이 있고, 몇 마디마다 다시 돌아오는 반복되는 멜로디(계절성/seasonality)가 있으며, 때때로 리듬에 맞지 않는 바이올린의 갑작스러운 비명이나 드럼 타격 소리(이상치/outliers 및 노이즈/noise)가 들려옵니다.

오랫동안 통계학자들은 이 음악을 더 잘 이해하기 위해 이 소리들을 분리하려고 노력해 왔습니다. 하지만 기존의 도구들은 종 종 어려움을 겪습니다. 갑작스러운 비명 소리를 너무 매끄럽게 뭉개버리거나, 멜로디의 속도가 변할 때 혼란에 빠지거나, 자신의 추측이 얼마나 확실한지 알려주지 못하곤 합니다.

이 논문의 저자인 Jason B. Cho와 David S. Matteson은 BASTION(Bayesian Adaptive Seasonality and Trend DecompositION)이라는 새로운 도구를 소개합니다. BASTION을 매우 지능적이고 유연한 오디오 엔지니어로 생각해 보세요. 이 엔지니어는 놀라운 정밀도로 음악을 가장 순수한 요소들로 분리해 낼 수 있습니다.

BASTION이 어떻게 작동하는지 쉬운 비유를 통해 설명하겠습니다.

1. "스마트 필터" (전역-지역 수축 / Global-Local Shrinkage)

당신이 진흙이 묻은 창문을 닦으려고 한다고 상상해 보세요.

기존 방식은 거대하고 딱딱한 솔을 사용하는 것과 같습니다. 너무 세게 문지르면 유리창 뒤의 아름다운 그림(실제 신호)까지 지워버리고, 너무 살살 문지르면 진흙이 그대로 남습니다(노이즈).
BASTION은 "스마트 필터"를 사용합니다. 전체적인 창문을 깨끗하게 유지하는 전역(global) 설정이 있지만, 동시에 지역(local) 센서도 가지고 있습니다. 만약 갑작스럽고 날카로운 얼룩(추세의 급격한 변화)을 감지하면, 나머지 그림을 망치지 않으면서도 그 부분만 집중적으로 문지릅니다. 반면 작은 먼지(노이즈)를 발견하면 부드럽게 무시합니다. 이를 통해 곡의 매끄러운 곡선을 유지하면서도 갑작스럽고 극적인 변화를 포착할 수 있습니다.

2. "수학 탐정" (정체성의 퍼즐 풀기)

베이스라인과 멜로디를 분리하려고 할 때, 가끔은 둘이 너무 비슷해서 무엇이 무엇인지 구분할 수 없을 때가 있습니다. 수학에서는 이를 "식별성(identifiability)" 문제라고 부릅니다.

저자들은 탐정처럼 행동했습니다. 그들은 "베이스라인"(추세)과 "멜로디"(계절성)가 정말로 고유하며 서로 겹쳐서 컴퓨터를 혼란스럽게 하지 않도록 엄격한 규칙(수학적 증명)을 작성했습니다.
그들은 만약 서로 다른 속도로 연주되는 여러 개의 멜로디(다중 계절성)가 있다면, 이들을 구별하기 위해 특별한 규칙의 조합이 필요하다는 것을 발견했습니다. BASTION은 답이 항상 유일하도록 이 규칙들을 설정하는 방법을 공식적으로 증명한 첫 번째 도구입니다.

3. "안전망" (불확실성 정량화 / Uncertainty Quantification)

대부분의 기존 도구는 하나의 숫자만을 제시하며 "이것이 추세입니다"라고 말합니다. 하지만 그것이 추측인지 확신인지 알려주지는 않습니다.

BASTION은 다릅니다. BASTION은 신뢰 범위를 제공합니다. 이는 단순히 "비가 올 것입니다"라고 말하는 것이 아니라, "비가 올 것이며, 1~2인치 사이일 확률이 95%입니다"라고 말하는 일기 예보와 같습니다. 이를 통해 사용자는 결과에 어느 정도의 신뢰를 두어야 할지 정확히 알 수 있습니다.

4. "와일드카드" 처리 (이상치와 변동성 / Outliers and Volatility)

현실 세계의 데이터는 지저도합니다. 때로는 센서가 고장 나기도 하고, 드문 사건(예: 팬데믹으로 인한 항공 수요 급락)이 발생하기도 합니다.

이상치(Outliers): BASTION에는 특별한 "이상치 탐지기"가 있습니다. 이상한 데이터 포인트를 억지로 패턴에 맞추려 하는 대신, 이를 "와일드카드"로 인식하여 따로 분류함으로써 나머지 분석을 망치지 않도록 합니다.
변하는 노이즈: 때로는 배경 소음이 시간이 지남에 따라 커지거나 작아질 수 있습니다(예: 폭풍우가 치는 동안 라디오 잡음이 심해지는 현상). BASTION은 이러한 변화하는 "잡음"(변동성) 수준을 감지하고 그에 맞춰 청취력을 조절할 수 있는 반면, 다른 도구들은 잡음이 항상 일정하다고 가정합니다.

어떻게 테스트했는가

저자들은 이론만 제시한 것이 아니라, BASTION을 직접 테스트했습니다.

시뮬레이션 실험실: 그들은 알려진 "비밀 재료"(갑작스러운 도약, 이상한 노이즈, 여러 번 반복되는 패턴 등)를 가진 가상의 시계열 데이터를 생성했습니다. BASTION은 다른 인기 있는 도구들(TBATS, MSTL, STR 등)보다 숨겨진 재료들을 훨씬 더 정확하게 찾아냈습니다.
실제 사례 테스트:
- 항공 교통량: 미국 항공 데이터를 분석했습니다. 2020년 팬데믹이 닥쳤을 때 교통량이 급격히 감소했습니다. BASTION은 이를 추세의 급격한 단절로 정확히 식별한 반면, 다른 도구들은 이를 완만한 감소로 보고 매끄럽게 처리하려 했습니다.
- 전력 수요: 뉴욕의 전력 사용량을 분석했습니다. BASTION은 일간 및 연간 패턴을 분리했을 뿐만 아니라, 여름과 겨울에 데이터의 "노이즈"가 더 변동성이 크다는 사실을 밝혀내어 에너지 관리자들에게 추가적인 통찰을 제공했습니다.

핵심 요약

BASTION은 시계열 데이터를 추세와 계절성 부분으로 분해하는 새롭고 유연한 프레임워크입니다. 이 도구는 이전 방식들보다 갑작스러운 변화를 처리하고, 이상치를 무시하며, 변화하는 노이즈 수준을 다루는 데 더 뛰어납니다. 결정적으로, BASTION은 자신의 답에 대해 얼마나 확신하는지를 알려줍니다. 저자들은 다른 사람들이 사용할 수 있도록 이 도구를 무료 소프트웨어 패키지로 공개했습니다.

기술 요약: BASTION – 추세 및 계절성 분해를 위한 베이지안 프레임워크

문제 정의
시계열 분해는 단변량 데이터에서 추세(trend), 계절성(seasonality), 잔차(remainder) 성분을 분리하기 위해 사용되는 근본적인 분석 도구이다. 경제학, 기후 과학, 역학 분야에서 널리 적용되고 있으나, 기존의 분해 방법들은 이 문제를 엄격한 통계적 추론 과제가 아닌 전처리 단계로 취급하는 경향이 있다. STL, MSTL, STR, TBATS와 같은 현재의 접근 방식들은 여러 가지 한계점을 지닌다: 다중 계절성을 동시에 수용하는 데 어려움을 겪고, 개별 성분에 대한 원칙적인 불확실성 정량화가 부족하며, 추세의 급격한 변화에 민로하고, 일반적으로 이분산성 노이즈(heteroskedastic noise)나 이상치를 명시적으로 모델링하지 못한다. 또한, 문헌에서는 특히 다중 계절성이 존재할 때 추세와 계절성 성분이 유일하게 식별(identifiable)될 수 있는 공식적인 조건에 대한 논의가 부족하다.

방법론
저자들은 BASTION(Bayesian Adaptive Seasonality and Trend DecompositON)을 제안한다. 이는 패널티가 부여된 비모수 회귀(penalized nonparametric regression) 문제로 시계열 분해를 재정의한 유연한 베이지안 프레임워크이다.

패널티 회귀 정식화: 분해는 $y_t = T_t + \sum S_{i,t} + R_t$ 라는 가법적 방정식으로 모델링된다. 저자들은 구조적 제약이 없다면 이 고차원 문제가 식별 가능하지 않음을 입증하였다. 이들은 선형 연산자(예: 추세를 위한 2차 차분, 계절성 재귀 또는 차분)를 도입하여 식별성을 정식화하고, 결과적인 블록 행렬의 계수(rank)를 분석하였다. 이들은 유일한 식별성을 위해 연산자의 커널(kernel)이 선형 독립적인 부분 공간이어야 함을 증명하였다. 다중 계절성 환경에서의 비식별성 문제를 해결하기 위해, 저자들은 여러 개의 정규화 연산자(예: 2차 차분과 계절 차분의 결합)를 사용하여 영공간(null spaces)의 교집합을 줄이는 방법을 제안한다.
글로벌-로컬 수축(Global-Local Shrinkage)을 이용한 베이지안 프레임워크: BASTION은 패널티 회귀를 글로벌-로컬 수축 사전 분포(특히 horseshoe prior)를 사용하는 베이지안 모델로 변환한다. 이를 통해 다음이 가능하다:
- 적응형 평활화(Adaptive Smoothing): 글로벌 파라미터는 전반적인 수축을 제어하며, 시간 가변적 로컬 파라미터는 추세와 계절성의 급격한 변화를 포착하기 위해 선택적으로 수축을 완화함으로써 오버스무딩(oversmoothing) 없이 변화를 잡아낸다.
- 명시적 이상치 모델링: 이상치 성분( $\zeta_t$ )은 horseshoe+ prior를 사용하여 모델링된다. 이는 대부분의 관측치에 대해서는 공격적인 수축을 유도하는 동시에, 고립된 시점에서의 큰 편차는 허용한다.
- 이분산성 처리: 잔차 항은 확률적 변동성(stochastic volatility, SV) 모델을 포함하여, 실제 데이터에서 흔히 발생하는 변동성 변화 문제를 해결한다.
추론: 상태 변수의 고차원성 때문에 저자들은 깁스 샘플링(Gibbs sampling) 전략을 채택한다. 이 접근 방식은 대부분의 파라미터에 대해 공액 업데이트(conjugate updates)를 사용하고, 확률적 변동성을 위한 'All Without a Loop' 알고리즘이나 horseshoe prior를 위한 'parameter-expanded Gibbs scheme'과 같은 특정 알고리즘을 활용하여 시계열 길이에 따른 선형 스케일링을 보장함으로써 대규모 데이터셋에서도 계산이 가능하도록 한다.

주요 기여

공식 식별성 이론: 본 논문은 패널티 회귀 하에서 추세 및 계절성의 유일한 식별성을 위한 공식적인 조건을 제공하며, 특히 다중 계절성과 다양한 연산자 선택의 복잡성을 다룬다.
통합된 베이지안 프레임워크: BASTION은 추세, 다중 계절성, 이상치, 그리고 시간 가변적 변동성을 하나의 일관된 모델로 통합하며, 이는 MSTL이나 STR와 같은 기존 방법론에는 결여된 능력이다.
강건성 및 불확실성 정량화: 글로벌-로컬 수축과 확률적 변동성을 활용함으로써, BASTION은 이상치와 이분산성에 대해 강건한 추정을 제공하는 동시에 모든 성분에 대해 보정된 사후 신뢰 구간(posterior credible intervals)을 제공한다.
소프트웨어 구현: 저자들은 BASTION을 오픈 소스 R 패키지로 공개하여 실질적인 적용과 추가 연구를 용이하게 한다.

결과
저자들은 시뮬레이션 데이터와 실제 데이터셋을 모두 사용하여 BASTION을 기존 방법들(TBATS, MSTL, STR)과 비교 평가하였다.

시뮬레이션 연구: 추세 불연속성, 다중 계절성, 이분산성, 이상치를 특징으로 하는 네 가지 데이터 생성 프로세스(DGP)에 걸쳐, BASTION은 추세, 계절성 및 신호 성분에 대해 일관되게 가장 낮은 평균 제곱 오차(MSE)를 달s성하였다. 특히 이분산성 노이즈와 이상치가 존재하는 시나리오(DGP 4)에서 BASTION은 경쟁 모델들을 크게 압도하였다.
불확실성 정량화: BASTION은 결합된 신호와 개별 성분 모두에 대해 명목 수준 이상의 커버리지를 유지하며 잘 보정된 95% 신뢰 구간을 제공하였다. 반면, 빈도주의 방식인 STR은 특히 개별 성분에 대해 자주 과소 커버(undercover)하는 현상을 보였다.
실제 적용:
- 미국 항공 교통량: BASTION은 코로나19 팬데믹 기간 동안의 급격한 구조적 변화를 성공적으로 포착하였으나, MSTL과 STR은 그 전환기를 오버스무딩하였고, TBATS는 노이즈가 많은 추정치를 생성하였다.
- 뉴욕 전력 수요: 모델은 복잡한 주간 및 연간 계절성 패턴을 정확하게 분해하였으며, 시간 가변적 변동성을 명시적으로 추정하여 여름과 겨울철에 변동성이 높아진다는 사실을 밝혀냈다. 이는 비교 대상 중 어떤 모델도 제공하지 못한 기능이다.

의의 및 주장
본 논문은 기존 문헌의 "비공식적"인 식별성 처리를 해결하고, 복잡한 역학(급격한 변화, 이분산성, 이상치)을 동시에 처리하는 통합된 프레임워크를 제공함으로써 BASTION이 중요한 진전을 이루었다고 주장한다. 저자들은 BASTION이 더 정교하고 해석 가능한 분해를 제공하며 엄격한 불확실성 정량화를 수행하므로, 구조적 변화가 존재하는 환경에서의 예측과 같은 다운스트림 작업에 특히 적합하다고 단언한다. 결론적으로, 이 방법은 강건하지만, 향후 연구를 통해 이러한 개선된 분해가 예측 성능으로 어떻게 직접 연결되는지, 그리고 베이지안 변화점 탐지와 같은 추가적인 잠재 구조를 어떻게 통합할 수 있을지 탐구할 수 있다고 밝힌다.