342. ARIMA (Auto-Regressive Integrated Moving Average)

핵심 인사이트 (3줄 요약)

본질: ARIMA 모델은 과거의 값(AR)과 과거의 오차(MA)를 섞어서 미래를 예측하던 기존 ARMA 모델에, 데이터의 추세를 평평하게 깎아내는 '차분(Integrated, I)' 계층을 추가한 완성형 전통 시계열 예측 모델이다.

가치: ARMA 모델이 주식 가격처럼 우상향하는 비정상(Non-stationary) 데이터를 전혀 예측하지 못하던 치명적 한계를 극복하고, 현실 세계의 널뛰는 데이터들을 스스로 깎고 다듬어 예측 가능한 정상 상태로 만들어준다.

판단 포인트: 강력한 예측력을 가졌지만 파라미터(p, d, q)를 데이터 과학자가 수동으로 튜닝해야 하는 번거로움이 있으므로, 실무에서는 이를 자동으로 찾아주는 Auto-ARIMA 라이브러리를 베이스라인 파이프라인으로 삼는 것이 표준이다.

Ⅰ. 개요 및 필요성

데이터 과학자가 아이스크림 판매량을 예측하려 한다. 여름이 다가오면서 판매량이 매일 조금씩 우상향하고 있다. 이때 과거의 패턴을 보는 ARMA 모델을 돌렸더니, 모델은 우상향하는 '추세(Trend)'를 이해하지 못하고 어제의 데이터에 머무르며 내일의 판매량을 한참 낮게 예측해 버렸다.

통계학자들은 깨달았다. "우상향하는 산비탈(비정상 데이터)에서는 과거의 관성을 그대로 적용하면 안 된다. 비탈길을 평평한 평지로 깎아낸(차분) 다음에 ARMA 모델을 돌려야만 정확한 예측이 가능하겠구나!" 이렇게 ARMA 모델의 한가운데에 **차분(Integrated, I)**이라는 마법의 대패질을 끼워 넣어 탄생한 것이 바로 ARIMA (Auto-Regressive Integrated Moving Average) 모델이다.

📢 섹션 요약 비유: 경사가 가파른 오르막길(추세)에서 자전거를 타면 어제만큼 속도를 낼 수 없다. ARIMA는 이 오르막길을 불도저로 밀어서 완전한 평지(정상성)로 만든 다음, 어제의 속도(AR)와 바람의 저항(MA)을 더해 내일의 속도를 완벽하게 계산해 내는 기술이다.

Ⅱ. 아키텍처 및 핵심 원리

ARIMA 모델은 $ARIMA(p, d, q)$라는 3개의 마법의 숫자(하이퍼파라미터)에 의해 뼈대가 결정된다.

┌────────────────────────────────────────────────────────┐
│             [ ARIMA(p, d, q) 모델의 3단계 파이프라인 ]         │
├────────────────────────────────────────────────────────┤
│ 1. Integrated (차분, d)                                │
│    - 우상향하는 데이터를 평평하게 깎아내는 횟수             │
│    - d=1: "오늘 값 - 어제 값" (1차 차분, 속도)            │
│    - d=2: "오늘 차분값 - 어제 차분값" (2차 차분, 가속도)     │
│                                                        │
│ 2. Auto-Regressive (자기회귀, p)                       │
│    - 깎아낸 평지에서, 과거 며칠 치의 '값'을 볼 것인가?       │
│    - PACF 그래프를 보고 차수 p를 결정                     │
│                                                        │
│ 3. Moving Average (이동평균, q)                        │
│    - 깎아낸 평지에서, 과거 며칠 치의 '오차 충격'을 볼 것인가?  │
│    - ACF 그래프를 보고 차수 q를 결정                      │
└────────────────────────────────────────────────────────┘

차분 (Differencing, $d$): 어제 주식이 100원, 오늘 110원이면 우상향 중이다. 이걸 그대로 넣지 않고 "오늘 10원 올랐음(+10)"이라는 변화량만 추출한다. 보통 현실의 데이터는 1번(d=1)이나 2번(d=2)만 차분하면 완벽히 평평한 정상성(Stationarity) 데이터로 변신한다.
복원 (Integration): 차분(빼기)을 한 상태로 AR과 MA 공식을 돌려 내일의 변화량(예: "+5원")을 예측한다. 마지막에 이 값을 다시 원래 세계로 되돌리기 위해 오늘의 값(110원)에 더해준다(115원). 이 적분(Integration) 과정 때문에 이름에 'I'가 들어간다.

📢 섹션 요약 비유: 주식 차트(산봉우리)를 그대로 그리는 게 아니라, "어제보다 10보 위, 오늘은 5보 위"라는 계단의 '단차(d)'만 모아서 평평한 지도 위에서 내일의 단차를 예측(p, q)한 뒤, 마지막에 다시 진짜 산봉우리 높이로 합쳐주는(I) 놀라운 계산법이다.

Ⅲ. 비교 및 연결

ARIMA 모델은 데이터의 복잡도에 따라 다양하게 진화(Extension)해 왔다.

파생 모델	추가된 기능	극복한 한계	주요 활용 시나리오
ARIMA	차분 (Integrated)	우상향/우하향하는 추세(Trend) 반영 가능	일반적인 주식, 매출 예측
SARIMA	계절성 (Seasonal) 추가	여름마다 오르는 계절성(Seasonality)을 차분 가능	에어컨 판매량, 아이스크림 매출
SARIMAX	외생 변수 (eXogenous) 추가	과거 데이터뿐만 아니라 외부 요인(휴일, 날씨 등) 반영	"내일 휴일이고 비가 오면 매출이 튈 것이다"
VAR	벡터 (Vector) 다변량	한 변수가 아니라 여러 변수 간의 상호 작용 예측	금리와 환율이 서로 맞물려 돌아갈 때

현실 세계의 비즈니스 데이터는 거의 무조건 요일(주말 효과)과 달(여름/겨울)의 영향을 받는다. 따라서 실무에서 순수 ARIMA를 쓰는 경우는 거의 없으며, 반드시 계절성 차분(예: 오늘 값에서 1년 전 오늘 값을 뺌)이 추가된 SARIMA 또는 마케팅 프로모션 변수를 넣을 수 있는 SARIMAX가 베이스라인 모델로 쓰인다.

📢 섹션 요약 비유: ARIMA가 내일 매출을 맞추는 똑똑한 점쟁이라면, SARIMA는 "내일이 여름 성수기니까 더 팔리겠네"라고 눈치채는 점쟁이이고, SARIMAX는 "내일 옆집 마트가 휴업하니까 우리 매출이 두 배로 뛰겠어!"라고 외부 스파이 정보까지 활용하는 전지전능한 점쟁이다.

Ⅳ. 실무 적용 및 기술사 판단

실무 적용 시나리오: 쇼핑몰의 다음 달 재고 발주량을 예측한다. 과거 3년 치 일별 판매 데이터를 pmdarima 라이브러리의 auto_arima 함수에 던져 넣는다. 이 함수는 $p, d, q$ 값을 0부터 3까지 조합하며 수십 개의 모델을 자동으로 굽고, 그중 AIC(Akaike Information Criterion, 모델의 성능과 단순함을 종합 평가한 점수)가 가장 훌륭한 최적의 파라미터 조합(예: $SARIMA(1, 1, 1)(0, 1, 1)_{12}$)을 1분 만에 찾아내어 다음 달 발주량을 뱉어낸다.

기술사 판단 포인트 (Trade-off): 시계열 아키텍처 설계 시 **'전통 통계(ARIMA) vs 딥러닝(LSTM/Transformer)'**의 트레이드오프를 결단해야 한다.

데이터 양: ARIMA는 과거 1~2년 치 데이터만 있어도 기가 막힌 선형 예측을 해내지만, LSTM은 데이터가 수십만 건(틱 데이터 등)이 아니면 학습 자체가 안 된다 (Underfitting).
설명력(Explainability): 경영진이 "왜 내일 매출이 떨어진다고 예측했나?"라고 물었을 때, ARIMA는 "최근 3일간의 하락세(AR=3)와 어제 터진 10%의 충격(MA=1) 때문입니다"라고 투명하게 설명할 수 있다. 블랙박스인 딥러닝은 이것이 불가능하다.
따라서 기술사는 시계열 파이프라인의 첫 번째 베이스라인을 무조건 Auto-ARIMA로 구축하여 성능의 기준점(Threshold)을 잡고, 딥러닝 모델이 이 기준점을 유의미하게 넘지 못하면 과감히 딥러닝을 버리고 가벼운 ARIMA를 배포(Deploy)하는 경제적 아키텍처를 세워야 한다.

📢 섹션 요약 비유: 첨단 로봇 셰프(딥러닝)를 비싸게 고용하기 전에, 수십 년 경력의 동네 식당 주방장(ARIMA)에게 먼저 요리를 시켜봐야 한다. 로봇이 주방장보다 압도적으로 맛있는 게 아니라면, 전기료만 잡아먹는 로봇은 해고하는 것이 맞다.

Ⅴ. 기대효과 및 결론

ARIMA 모델은 비정상(Non-stationary) 데이터라는 거친 야생마를, 차분(Differencing)이라는 채찍 하나로 완벽하게 길들여 선형 방정식의 마차에 매단 통계학의 승리다. 이 모델 덕분에 우리는 주식, 날씨, 트래픽 등 한시도 가만히 있지 않는 현실 세계의 데이터를 과학적으로 예측할 수 있게 되었다.

결론적으로 ARIMA는 시계열 분석의 알파이자 오메가다. 오늘날 페이스북의 Prophet이나 부스팅 기반의 XGBoost, 트랜스포머(TimeSformer) 등 화려한 시계열 AI가 쏟아져 나오고 있지만, 결국 그들의 논리 구조 밑바닥에는 추세를 깎아내고 과거의 관성을 학습하는 ARIMA의 철학이 그대로 녹아 있다. 기술사는 가장 단순한 것이 가장 강하다는 '오컴의 면도날' 원칙을 명심하고 ARIMA를 완벽히 마스터해야 한다.

📢 섹션 요약 비유: 아무리 화려한 GPS 내비게이션(딥러닝)이 나와도, 나침반과 지도(ARIMA)를 보는 독도법을 모르면 시스템이 고장 났을 때 산속에서 굶어 죽는다. ARIMA는 시계열이라는 산맥을 타는 데이터 과학자들의 영원한 나침반이다.

📌 관련 개념 맵

상위 개념: 시계열 분석 (Time Series Analysis)
하위 개념: 차분 (Differencing), ACF/PACF, 자기회귀 (AR), 이동평균 (MA)
연결 개념: SARIMA (계절성 ARIMA), 정상성 검정 (ADF Test), LSTM

👶 어린이를 위한 3줄 비유 설명

자전거를 타고 언덕을 올라가면 속도가 점점 느려져서 내일 얼마나 갈지 예측하기 힘들어요.
ARIMA는 불도저를 가져와서 언덕을 완전 평평하게 깎아버린(차분) 다음, 평지에서의 자전거 속도 공식을 써서 내일 갈 거리를 정확하게 맞추는 마법사예요.
계산이 끝나면 다시 깎아냈던 언덕을 붙여서, 진짜 산길에서 내일 어디쯤 도착할지 척척 알려준답니다!