일일 시세로 만드는 간단한 시계열 — 이동평균과 변동성 보기

Q: 파생 컬럼 3개는 어떻게 얹나?

pandas의 rolling과 pct_change 두 함수면 끝난다. 주의할 함정 하나. rolling(7)은 앞 6행이 NaN이다. 창(window)을 채울 데이터가 아직 없어서다. 이걸 모르고 곧바로 평균이나 그래프를 그리면 앞부분이 비어 당황한다. 나는 분석 단계에선 그냥 두고(정직한 결측), 시각화 직전에만 dropna()로 잘라낸다.

Q: 이 세 숫자를 어떻게 읽나?

숫자를 뽑았으면 해석이 남는다. 내가 실제로 대시보드를 만들 때 쓰는 판단 규칙을 표로 정리해 둔다. 핵심은 추세(이동평균)와 변동성(표준편차)을 따로 보지 않는 것이다. 가격이 오르는데 변동성도 같이 치솟으면 “오르긴 하는데 불안한 상승”이다. 반대로 이동평균이 완만히 우상향하면서 변동성이 낮으면 그게 가장 편한 구간이다. 원시 시세 한 줄로는 절대 안 보이던 이 대비가, 컬럼 세 개를 얹는 순간 표 한 장으로 드러난다.

공개·더미 데이터 기준의 예시이며, 투자 권유나 회계 판단이 아니다. 여기 나오는 숫자는 전부 합성이다.

원시 시세만 놓고 보면 그냥 오르락내리락하는 선이다. 어제보다 올랐는지, 요즘 흔들림이 심해졌는지 눈으로는 잘 안 잡힌다. 나는 이럴 때 컬럼 세 개를 얹는다. 이동평균(moving average)으로 추세를, 전일대비 변동률(daily return)로 하루치 움직임을, 롤링 표준편차(rolling std)로 변동성을 본다. 오늘은 이 최소 레시피를 정리해 둔다.

왜 원시 시세만으로는 부족한가?

flowchart LR
  subgraph RAW["원시 데이터"]
    A["① 일별 종가<br/>들쭉날쭉"]
  end
  subgraph DER["파생 컬럼 3종"]
    B["② 7일 이동평균<br/>= 추세"]
    C["③ 전일대비 변동률<br/>= 하루 움직임"]
    D["④ 롤링 표준편차<br/>= 변동성"]
  end
  subgraph READ["읽기"]
    E["⑤ 추세와 변동성<br/>동시에 판단"]
  end
  A --> B --> E
  A --> C --> D --> E
  classDef a fill:#e7f5ff,stroke:#1c7ed6,color:#10548f;
  classDef b fill:#fff3bf,stroke:#f08c00,color:#985f00;
  classDef c fill:#e6fcf5,stroke:#0ca678,color:#087f5b;
  class A a;
  class B,C,D b;
  class E c;

원시 종가는 정보가 날것이다. 하루하루의 숫자는 노이즈가 크고, “지금 우상향인가?”라는 질문에 답을 못 준다. 파생 컬럼은 이 날것을 세 가지 관점으로 정리해 준다. 정리하면 이렇다.

컬럼	무엇을 보나	계산 한 줄	반응 속도
이동평균	추세 방향	최근 N일 평균	느림(부드러움)
전일대비 변동률	하루 움직임	(오늘−어제)/어제	즉각
롤링 표준편차	변동성 크기	최근 N일 변동률의 표준편차	중간

합성 시세는 어떻게 만드나?

실데이터를 붙이기 전에 나는 항상 더미로 파이프라인을 먼저 굳힌다. 랜덤워크(random walk)면 충분하다. 하루치 변동을 누적해 종가 곡선을 만든다.

import numpy as np
import pandas as pd
 
rng = np.random.default_rng(42)
days = pd.date_range("2025-01-01", periods=180, freq="D")
 
# 하루치 로그수익률을 정규분포에서 뽑아 누적 → 랜덤워크 종가
steps = rng.normal(loc=0.0005, scale=0.02, size=len(days))
close = 100 * np.exp(np.cumsum(steps))   # 시작가 100원 가정
 
df = pd.DataFrame({"date": days, "close": close}).set_index("date")
print(df.head(3))

loc는 아주 약한 우상향 드리프트, scale은 하루 변동 폭이다. 이 두 개만 만져도 잔잔한 시세와 요동치는 시세를 마음대로 흉내 낼 수 있다.

파생 컬럼 3개는 어떻게 얹나?

pandas의 rolling과 pct_change 두 함수면 끝난다.

# ① 7일 이동평균: 최근 7일 평균으로 곡선을 부드럽게
df["ma7"] = df["close"].rolling(window=7).mean()
 
# ② 전일대비 변동률: 어제 대비 몇 % 움직였나
df["ret"] = df["close"].pct_change()
 
# ③ 롤링 표준편차: 최근 7일 변동률의 흔들림 = 변동성
df["vol7"] = df["ret"].rolling(window=7).std()
 
print(df.tail(3).round(4))

주의할 함정 하나. rolling(7)은 앞 6행이 NaN이다. 창(window)을 채울 데이터가 아직 없어서다. 이걸 모르고 곧바로 평균이나 그래프를 그리면 앞부분이 비어 당황한다. 나는 분석 단계에선 그냥 두고(정직한 결측), 시각화 직전에만 dropna()로 잘라낸다.

flowchart TD
  A["① close 컬럼"] --> B["② rolling(7).mean()"]
  A --> C["③ pct_change()"]
  C --> D["④ rolling(7).std()"]
  B --> E["⑤ 앞 6행 NaN 존재"]
  D --> E
  E --> F["⑥ 시각화 직전 dropna()"]
  classDef a fill:#e7f5ff,stroke:#1c7ed6,color:#10548f;
  classDef b fill:#fff3bf,stroke:#f08c00,color:#985f00;
  classDef c fill:#ffe3e3,stroke:#e03131,color:#a12622;
  class A a;
  class B,C,D b;
  class E,F c;

이 세 숫자를 어떻게 읽나?

숫자를 뽑았으면 해석이 남는다. 내가 실제로 대시보드를 만들 때 쓰는 판단 규칙을 표로 정리해 둔다.

신호	관찰	해석
종가 > 이동평균	가격이 평균 위	단기 상승 우위
종가 < 이동평균	가격이 평균 아래	단기 하락 우위
이동평균 기울기 상승	ma7이 우상향	추세가 살아 있음
롤링 표준편차 급등	vol7이 평소의 2배	변동성 확대, 조심 구간

핵심은 추세(이동평균)와 변동성(표준편차)을 따로 보지 않는 것이다. 가격이 오르는데 변동성도 같이 치솟으면 “오르긴 하는데 불안한 상승”이다. 반대로 이동평균이 완만히 우상향하면서 변동성이 낮으면 그게 가장 편한 구간이다. 원시 시세 한 줄로는 절대 안 보이던 이 대비가, 컬럼 세 개를 얹는 순간 표 한 장으로 드러난다.

정리하면

rolling, pct_change 두 함수와 컬럼 세 개. 이게 시계열 분석의 밑바닥 레시피다. 여기서 N을 7일에서 30일로 바꾸거나, 표준편차 대신 이동평균 두 개(단기·장기)의 교차를 얹는 식으로 확장하면 그게 바로 흔히 보는 시세 지표들이 된다. 나는 새 시계열을 받으면 늘 이 세 컬럼부터 붙여 놓고 시작한다. 날것을 읽을 수 있는 형태로 바꾸는 가장 싼 비용이라서다.

Hyeong · 데이터·마케팅·개발 제너럴리스트

탐색기