기간환율변동 데이터 분석하기

기간환율변동 데이터 분석하기

 

제가 분석해볼 컬럼 명은 “일자”를 기준으로 , “현찰파실 때” 컬럼의 데이터를 가공하고 분석해서 , plot으로 나타내 볼 것이며 , 예측과 예측값의 정확도를 분석해 볼 것입니다.

 

그런데 , 분석하기 앞서서 데이터의 예측과 분석이 어떻게 이루어 지는지 , 다음 그림을 통해서 간략화 시킬 수 있습니다.

먼저 , 학습을 통한 예측을 통해 , 실제 데이터를 다루고 , 실제 데이터를 기반으로 학습을 한 데이터를 통해 예측을 합니다 . 예측을 통해서 학습을 하였고 , 이제 데이터 예측을 합니다.

 

그렇다면 어떻게 예측을 하고 , 학습을 할 수 있을까요?

간단한 플로차트로 나타내 보자면 다음과 같습니다.

1.     데이터 준비

ㄱ.   데이터 파일 읽기 [data <- read.xlsx2()]

ㄴ.   데이터 정규화하기 [Pnorm <- …]

ㄷ.   학습 데이터 세트 만들기 [df.learning <- df[1:n80,]

ㄹ.   테스트 데이터 세트 만들기 [df.test <- df[(n80+1):n,]

2.     인공신경망 모형 설계

 

3.     학습

ㄱ.   입력 데이터 만들기 [in_learning <- getDataSet()]

ㄴ.   출력(목표) 데이터 만들기 [out_learning <- getDataSet() ]

ㄷ.   학습 [ model <- nnet() ]

4.     테스트

ㄱ.   입력 데이터 만들기 [ in_test <- getDataSet() ]

ㄴ.   예측 [predicted_values <- predict() ]

ㄷ.   실제값 읽기 [ real <-getDataSet() ]

ㄹ.   오차 계산 및 출력 [ MAPE <- rowMeans(ERROR/real) * 100 ]

5.     최적 모형 선정

6.     예측

ㄱ.   입력 데이터 만들기 [ in_forecasting <- getDataSet() ]

ㄴ.   예측 [ predicted_values <- predict() ]

ㄷ.   그래프 출력 [ plot() ]

 

간단한 함수와 수식을 정리 하면 위의 플로차트로 나타낼 수 있습니다.

 

 

이제 본론에 들어가서 R에서 어떻게 구현하는지 보겠습니다.

 

library(xlsx)

library(nnet)

이때 사용되는 라이브러리는 위와 같은데 , 없을 경우 install.packages를 통해 설치해줍니다.

 

데이터 파일 읽기

data3 <- read.xlsx2(file.choose(),1)

file.choose를 통해서 내가 분석하고자 하는 파일을 선택해 주고 , 1은 첫번째 시트를 의미합니다.

 

data3$현찰파실때 <- gsub(",","",data3$현찰파실때)

읽어온 데이터 파일에서 “현찰파실떄” 칼럼의 콤마(,)를 제거해 줍니다.

 

data3$현찰파실때 <- as.numeric(data3$현찰파실때)

제거한 data3$현찰파실 때의 형태를 숫자형태로 변환합니다.

 

df <- data.frame(일자=data3$일자,현찰파실때=data3$현찰파실때)

데이터에서 칼럼명이 일자 , 현찰파실때의 데이터를 새로운 데이터 프레임으로 만듭니다.

 

df <- df[order(df$일자)]

데이터프레임의 데이터를 일자 칼럼의 오름차순으로 정렬을 시킵니다.

 

n <- nrow(df)

데이터프레임의 행의 수를 가져옵니다.

 

rownames(df) <- 1:n

데이터프레임의 행의 수를 1~n까지 가져오는데 , n은 위에서 가져온 값이다.

 

데이터 정규화

 

Pnorm <-(df$현찰파실때-min(df$현찰파실때)) / (max(df$현찰파실때)-min(df$현찰파실때)) * 0.9 + 0.05

정규화 공식에 의해서 데이터를 정규화 시켜줍니다.

 

df <- cbind(df,현찰파실때norm=Pnorm)

데이터 프레임에 “현찰파실 때”의 칼럼을 정규화 시킨 값들을 추가해줍니다.

 

학습과 테스트 데이터 분리

n80 <- round(n*0.8,0)

데이터 세트의 80%에 해당하는 행 번호를 소수점 0자리(정수)로 반올림시킵니다.

 

df.learning <- df[1:n80,]

학습 데이터 세트를 만들어 줍니다.

여기서는 1~146행까지 출력이 될 것입니다.

 

df.test <- df[(n80+1):n,]

테스트 데이터 세트 만들기

테스트 데이터는 147~183행까지 출력이 될 것입니다.

 

 

 

인공신경망 모형구조 설계

 

INPUT_NODES <- 10 / 입력 노드 수

HIDDEN_NODES <- 10 / 은닉층의 노드 수

OUTPUT_NODES <- 5 / 출력 노드 수

ITERATION <- 100 / 학습 반복 수

 

위의 값들은 인공신경망 모형의 구조를 정의해 주기 위한 임의의 값들입니다.

 

이제는 입출력 데이터 파일 생성 함수를 만들어 줄 것입니다.

 

getDataSet <- function(item,from,to,size)

{

  dataframe <- NULL

  to <- to-size +1  // 마지막 행의 시작 날짜 번호

  for(i in from:to) // 각 행의 반복

  {

    start <- I // 각 행의 시작 날짜 번호

    end <- start + size -1 // 각 행의 끝 날짜 번호

    temp <- item[c(start:end)] //item에서 start-end 구간의 데이터 추출

    dataframe <- rbind(dataframe,t(temp))

// t()함수를 사용하여 열 단위의 데이터를 행으로 전환한 후 데이터 프레임의 행에 추가

  }

  return(dataframe) // 데이터 프레임 반환

}

 

학습

 

in_learning <- getDataSet(df.learning$현찰파실때norm,1,92,INPUT_NODES)

입력 데이터를 만들어 준다.

학습 데이터 세트의 정규화된 칼럼 “ 현찰파실때”에서 1~92번째 데이터로부터 각 행이 입력 노드 수의 크기가 되는 입력 데이터 세트를 만든다.

 

out_learning <- getDataSet(df.learning$현찰파실때norm,11,97,OUTPUT_NODES)

출력 데이터를 만들어 준다.

학습 데이터 세트의 정규화된 칼럼 “현찰파실 때”에서 11~97번째 데이터로부터 각 행이 출력 노드 수의 크기가 되는 출력(목표)데이터 세트를 만든다.

 

 

model <- nnet(in_learning, out_learning, size = HIDDEN_NODES, maxit = ITERATION)

이제 학습을 해준다.

입력 데이터 세트와 출력 데이터 세트 , 그리고 은닉층 노드 수에 해당하는 모형 생성과 학습 , maxit을 설정해 주는데 이값은 학습 수를 의미한다.

 

테스트

 

입력 데이터 작성과 예측

in_test <- getDataSet(df.test$현찰파실때norm,1,19,INPUT_NODES)

입력 데이터를 만들어 준다.

테스트 데이터 세트의 정규화된 칼럼 “현팔파실 때”에서 1~19번째 데이터로부터 각 행이 입력 노드 수의 크기가 되는 입력 데이터 세트를 만든다.

 

 

예측

 

predicted_values <- predict(model, in_test, type="raw")

학습된 모형을 이용해서 입력 데이터에 대한 예측치를 만든다.

 

Vpredicted <- (predicted_values-0.05)/0.9*(max(df$현찰파실때)-min(df$현찰파실때)) + min(df$현찰파실때)

정규화된 예측치를 원 데이터 범위로 변환시킨다.

 

오차계산

 

각 예측 기간별 실제 데이터

Vreal <- getDataSet(df.test$현찰파실때,11,24,OUTPUT_NODES)

테스트 데이터 세트의 칼럼 “현살파실 때”에서 11~24번째 데이터로부터 각 행이 출력 노드 수의 크기가 되는 출력(목표) 데이터 세트의 형시으로 실제 데이터 세트를 만든다.

 

ERROR <- abs(Vreal - Vpredicted) // 각 행별 각 열들 간 절대오차를 구한다.

MAPE <-rowMeans(ERROR / Vreal) * 100 // 각 행별 각 열의 실제값 대비 절대오차를 행별로 평균(rowMeans)하여서 백분율(%)로 나타낸다.

mean(MAPE)// 각 행들의 MAPE에 대한 전체 평균값

 

예측

 

in_forecasting <- df$현찰파실때norm[30:40]

입력 데이터를 만든다.

 

 

predicted_values <- predict(model,in_forecasting,type="raw")

예측을 한다.

 

Vpredicted <-(predicted_values -0.05) / 0.9*(max(df$현찰파실때)-min(df$현찰파실때)) + min(df$현찰파실때)

 

 

그래프 출력

plot(30:80 , df$현찰파실때[30:80], xlab="일자" , ylab="현찰파실때", xlim=c(31,85), ylim=c(1000,2000), type="o")

30~80 시점에 대한 현찰파실때에 대한 과거 데이터를 출력하고 , 예측치 출력을 위해 x축은 31~85로 설정한다.

 

lines(81:85 , Vpredicted , type="o" , col="red")

그래프의 81~85 시점에 예측치를 추가한다.

 

abline(v=80, col="blue", lty=2)

실제치와 예측치 구분을 위해 80시점에 수직 점선을 추가한다 .

정리를 해보자면 , 80을 기준으로 학습을 통한 값들이 출력이 되는데 , 1200을 기준으로 위아래로 값들이 위치하는 것을 확인할 수 있습니다. 이 값들을 기반으로 데이터 예측을 하였는데 , 기존 데이터의 값들보다 위쪽에 위치하는 것을 확인할 수 있습니다. 한가지 의문인 점은

plot(30:80 , df$현찰파실때[30:80], xlab="일자" , ylab="현찰파실때", xlim=c(31,85), ylim=c(1000,2000), type="o")

이 부분에서 ylim의 값의 범위를 초반에 (100000,200000 ) 이렇게 주었습니다. 왜냐하면 제가 출력하고자 하는 칼럼의 숫자범위를 보게되면 10만 단위였고 , 당연히 범위도 10만단위부터 시작해야 된다고 생각을 하였습니다. 이렇게 주다 보니 그래프가 출력이 안되는 것입니다. 또한 기존에 학습을 통한 데이터의 그래프도 안뜨고 , 예측 데이터의 값들도 출력이 안됬습니다. 생각을 해보다가 , 학습을 통한 데이터의 값을 보니까 , 1000~2000사이의 값들로 출력이 된 것을 알 수 있었습니다. 그래서 범위를 (1000,2000)을 주었더니 그래프가 잘 출력이 되었습니다.

 

여기서 한가지 더 알게 된 것은 기존의 칼럼의 값들이 정규화를 통해서 값이 변하고 , n80을 통해서 반올림을 해주었기 때문에 1000~2000사이의 값들로만 뭉쳐진다는 것을 알게 되었습니다.