이동평균법 (Moving Average Method)
쉽게 풀면
매일 주가나 매출처럼 하루하루 오르락내리락하는 데이터는 전체적인 추세를 눈으로 파악하기 어렵습니다. 이동평균법은 예를 들어 "최근 7일치 값의 평균"을 매일 새로 계산해서, 하루 지날 때마다 가장 오래된 값은 빼고 새 값을 더하는 방식으로 창(window)을 계속 옮겨가며 평균선을 그리는 방법입니다. 이렇게 하면 하루하루의 잡음(noise)은 걸러지고 전체적으로 오르는 추세인지 내리는 추세인지가 훨씬 잘 보입니다. 가장 최근 값에 더 큰 가중치를 주는 지수평활법과 달리, 이동평균법은 창 안의 모든 값에 동일한 가중치를 둔다는 점이 특징입니다.
왜 중요한가
이동평균법은 계산이 단순하면서도 잡음을 효과적으로 걸러낼 수 있어 시계열 데이터를 다루는 거의 모든 분야에서 가장 먼저 시도해 보는 기초적인 분석 도구로 쓰입니다. 경제지표나 주가 같은 금융 데이터의 추세 파악, 감염병 발생 추이 모니터링, 공정 관리에서의 이상 신호 탐지 등 실무적 의사결정에 직접 활용되는 경우가 많습니다. 또한 ARIMA 모형처럼 더 정교한 시계열 모형의 구성요소로도 쓰이기 때문에, 고급 시계열 분석을 이해하기 위한 출발점이 되는 개념이기도 합니다.
논문에서는 이렇게 쓰입니다
이 문장은 요일별로 들쭉날쭉하게 나오는 하루 단위 수치 대신, 최근 7일씩 묶어 평균 낸 값을 이어 붙여서 실제 유행 추세가 늘어나는지 줄어드는지를 더 안정적으로 확인했다는 뜻입니다.
금융 분야에서는 서로 다른 기간의 이동평균선을 함께 그려 두 선이 교차하는 시점을 추세 전환의 신호로 해석하는 방식이 흔히 쓰입니다.
제조업 품질관리 분야에서 이동평균법이 정상 범위를 벗어난 이상 신호를 조기에 잡아내는 도구로 활용되는 예시입니다.
조금 더 깊게 보면
이동평균법은 창 안의 모든 값에 동일한 가중치를 두는 단순이동평균 외에도, 최근 값에 더 큰 비중을 두는 가중이동평균 같은 변형이 있으며, 이는 앞서 언급한 지수평활법과 개념적으로 맞닿아 있습니다. 시계열 분해에서는 이동평균법이 원 데이터에서 계절성이나 순환 요인을 제거하고 장기적인 추세 성분만을 추출하는 데도 활용됩니다. 실무에서는 창 크기를 선택하는 것 자체가 분석의 목적에 따라 달라지는 중요한 결정인데, 창이 작으면 잡음에 민감하게 반응하고 창이 클수록 추세는 매끄러워지지만 반응이 그만큼 느려진다는 점에서 상충관계(trade-off)가 존재합니다.
주의할 점
이동평균법은 추세를 부드럽게 보여주는 대신, 창의 크기(며칠 치 평균을 낼지)를 크게 잡을수록 실제 변화 시점보다 그래프가 뒤늦게 반응하는 시차(lag)가 커집니다. 급격한 변화를 빠르게 포착해야 하는 상황이라면 창 크기를 무작정 크게 잡기보다, ARIMA 모형처럼 데이터의 구조를 반영하는 시계열 모형과 함께 결과를 비교해 보는 것이 좋습니다.