시계열 예측 및 머신러닝 기법 | 금융/시계열 예측에서 사용되는 것들

[힘힘]

📌 초단기 예측에 적합한 기법 및 조합 (타임프레임별)

기법/조합5초1분1시간설명장점

Online Gradient Descent (OGD)	✅	✅	✅	샘플 도착 시마다 가중치 업데이트	지연 없음, 개념 변화 추적
FTRL (Follow The Regularized Leader)	✅	✅	✅	실시간 클릭률/주가 예측에 최적	희소 피처 처리, 빠른 수렴
Recursive Least Squares (RLS)	✅	✅	✅	지수가중 망각을 통한 온라인 선형 회귀	매우 빠름, 간단함
Kalman Filter (KF) + AR	✅	✅	✅	상태공간 모델, 잡음 제거 및 추적	노이즈에 강함, 실시간 업데이트
Exponential Smoothing (ETS) with update	❌	✅	✅	초단기(5초)에는 단순 EMA가 더 적합	매우 가볍고 해석 가능
LightGBM / XGBoost (온라인 업데이트)	❌	✅	✅	미니배치로 재학습 (예: 10초~1분)	높은 정확도, 특징 중요도 제공
TCN (Temporal CNN) + 온라인 재학습	❌	✅	✅	합성곱으로 병렬 처리, 1분봉에 적합	장기 의존성 포착, 빠른 추론
LSTM / GRU (소형 + 온라인 업데이트)	❌	✅	✅	소형 셀(16~32 유닛)로 1분봉 학습	순차 패턴 학습
Reservoir Computing (ESN)	✅	✅	✅	순환층 가중치 고정, 출력만 학습	매우 빠른 훈련, 카오스 예측 가능
Online Random Forest	✅	✅	✅	배깅 기반, 실시간 업데이트	이상치에 강함, 해석 가능
Gaussian Process with Sparse Approx.	❌	❌	✅	1시간 이상 구간에서 불확실성 추정	예측 분산 제공, 데이터 효율적
DQN / PPO (강화학습)	❌	❌	✅	1시간봉 이상, 거래/의사결정에 활용	최적 정책 학습, 보상 설계 중요
EWMA + Z-score	✅	✅	✅	단순 지수이동평균과 표준편차 기반	가장 빠름, 변동성 돌파 전략
Wavelet Denoising + ARIMA/LSTM	❌	✅	✅	웨이블릿으로 잡음 제거 후 예측	고주파 노이즈 필터링
EEMD + LSTM (적응형)	❌	❌	✅	분해 후 각 IMF를 LSTM 예측 (1시간봉)	비정상 시계열 분해 효과적
Transformer (소형, 예: Informer)	❌	❌	✅	긴 시퀀스(1시간=60개 1분봉) 처리	병렬 처리, 장기 의존성

---

⚡ 타임프레임별 최적 추천🔹 5초 단위 (초단타, HFT)

• 가장 적합: RLS, OGD, Kalman Filter, EWMA + Z-score, Online Random Forest, ESN

• 절대 피해야 할 것: 배치 학습 기반의 무거운 딥러닝(LSTM, Transformer), 오래 걸리는 분해 기법(EEMD, Wavelet)

• 조합 예시:
  EWMA(빠른 방향성) + Kalman Filter(노이즈 제거) + Z-score(변동성 돌파)

🔹 1분 단위 (스캘핑, 단기 트레이딩)

• 가장 적합: OGD, LightGBM (온라인), TCN (소형), Reservoir Computing, Wavelet + ARIMA

• 사용 가능: 소형 LSTM(1~2층, 32유닛 이하) with 미니배치 업데이트

• 조합 예시:
  웨이블릿 노이즈 필터 → TCN 특성 추출 → 온라인 랜덤 포레스트 분류

🔹 1시간 단위 (단기 예측, 전력 수요, 주가)

• 가장 적합: LightGBM, TCN, 소형 Transformer (TFT, Informer), ESN, GPR

• 사용 가능: EEMD+LSTM, Bayesian Structural TS, SARIMA, Prophet

• 조합 예시:
  EEMD로 추세/주기/노이즈 분해 → 각 성분에 LSTM → 앙상블 결합
  또는 LightGBM + 시차 특성 + 기술적 지표 + 교차 검증

---

🧩 초단기 예측 성능 향상을 위한 추가 팁

기법설명적용 가능 프레임

틱 데이터(Tick data) → 고정 시간 리샘플링	불규칙 시간 간격을 5초/1분/1시간으로 변환	모든
실시간 특성 엔지니어링	수익률, 변동성, 거래량 비율, 호가 잔량 등	5초, 1분
마이크로구조 노이즈 필터링	Kalman, Wavelet, 중앙값 필터	5초, 1분
어닐링 기반 온라인 학습률	시간에 따라 학습률 감소	모든
모델 앙상블 (Bagging)	여러 온라인 모델의 예측 평균	1분, 1시간
드리프트 탐지 (ADWIN, DDM)	개념 변화 감지 시 재학습	모든

---

🚫 초단기(5초~1시간)에 부적합한 기법

• ARIMA / SARIMA (정상성 가정, 재추정 비용 높음)

• GARCH 계열 (초단기 수익률 예측력 낮음, 변동성 예측엔 가능)

• Bayesian MCMC 기반 기법 (추론 시간 너무 김)

• 일반 Transformer (기본 버전) (계산량 많음, 5초~1분봉엔 부적합)

• 복잡한 분해 기법 (EEMD, VMD, SSA) (경계 효과, 실시간 처리 어려움)

---

🎯 최종 정리

시간 프레임추천 기법 (단독)추천 조합

5초	RLS, OGD, Kalman Filter, EWMA, Online Random Forest	EWMA + Z-score, Kalman + OGD
1분	OGD, LightGBM (온라인), TCN, ESN	Wavelet + TCN, OGD + Kalman
1시간	LightGBM, TCN, 소형 Transformer, ESN, GPR	EEMD + LSTM, LightGBM + 시차 특성

결론: 초단기 예측의 핵심은 실시간 업데이트 가능성과 지연 시간 최소화입니다.
무거운 배치 모델보다 온라인 학습 가능한 경량 모델이나 신호 처리 + 단순 ML 조합이 우수합니다.

📈 전통적 시계열 및 통계 기법

기법설명주요 특징 / 용도

Prophet	Facebook 개발, 계절성·휴일 효과 자동 모델링	결측치·이상치에 강함, 비전문가도 사용 쉬움
TBATS	Box-Cox 변환 + ARMA 오차 + 추세 + 복합 계절성	다중 계절성(주/월/년) 처리
ETS	지수평활(오차-추세-계절성)	단변량, 계절성 패턴 명확할 때 우수
Theta method	기본 예측치를 2개의 Theta 라인으로 분해	M3 대회에서 강력한 성능
Croston method	간헐적 수요 예측 전용	재고관리, 간헐적 판매 데이터
ARIMAX	외생변수를 포함한 ARIMA	다변량 시계열, 외부 요인 고려
VAR / VECM	다변량 자기회귀 / 오차수정모형	거시경제, 금융 시계열 간 인과관계
State Space Models	칼만필터 기반 일반 상태공간 모델	잡음이 있는 동적 시스템 추정
Dynamic Linear Models	시변 계수를 갖는 선형 모델	시간에 따라 관계가 변하는 경우
Singular Spectrum Analysis	특이값 분해로 잡음 제거 및 예측	비선형, 비정상 시계열에 효과적
Hilbert-Huang Transform	경험적 모드 분해(EMD) + 힐베르트 스펙트럼	비선형, 비정상 신호 분석

---

🤖 머신러닝 및 앙상블

기법설명주요 특징 / 용도

LightGBM	그래디언트 부스팅 (leaf-wise 성장)	대용량 데이터, 빠른 학습
CatBoost	범주형 변수 자동 처리, 순열 기반 부스팅	범주형 특성이 많은 데이터
Random Forest / Extra Trees	배깅 기반, 특성 중요도 제공	해석 가능성, 과적합 방지
Stacking / Super Learner	여러 모델을 최적 가중치로 결합	성능 향상, 일반화 능력 증대
Mixture of Experts	게이트 네트워크가 전문가 모델을 선택	이질적 데이터, 다중 패턴 학습
Symbolic Regression (GP)	유전 프로그래밍으로 수식 발견	해석 가능한 모델 자동 생성

---

🧠 심층학습 아키텍처

기법설명주요 특징 / 용도

TCN (Temporal CNN)	인과적 확장 합성곱, 병렬 처리 가능	RNN보다 빠르고 장기 의존성 포착
WaveNet	합성곱 기반 오토리그레시브 모델	음성 합성, 시계열 생성
DeepAR	확률적 RNN, 다중 시계열 학습	예측 구간 제공, 유사 시계열 활용
ES-RNN	지수평활 + RNN 하이브리드	M4 대회 우승, 계절성 강한 데이터
N-HiTS	N-BEATS 개선판, 계층적 보간	장기 예측, 계산 효율
TiDE	MLP 기반 인코더-디코더	간단하지만 강력, 장기 예측
DLinear / NLinear	추세-계절성 분해 후 선형 모델	해석 가능, 적은 파라미터
TimesNet	1D 시계열을 2D로 변환 → CNN	복잡한 패턴 학습
SCINet	샘플 합성곱 및 상호작용 네트워크	시계열 다운샘플링 및 예측
KAN	Kolmogorov-Arnold Networks (MLP 대안)	학습 가능한 활성화 함수

---

🚀 Transformer 계열 (PatchTST 외)

기법설명주요 특징 / 용도

Temporal Fusion Transformer	정적/동적 변수 처리, 해석 가능 attention	해석 가능한 확률 예측
Informer	ProbSparse attention으로 긴 시퀀스 처리	매우 긴 시퀀스(LSTF)
Autoformer	자기상관 메커니즘으로 시계열 분해	계절성-추세 분리 성능 우수
Crossformer	다차원 시계열 간 attention	변수 간 상호작용 모델링
Non-stationary Transformer	비정상성 보정 attention	비정상 시계열 특화
Pyraformer	피라미드 attention으로 복잡도 감소	긴 시퀀스 + 계산 효율
LogTrans / Reformer	로그 스케일 / 해싱 기반 attention	메모리 효율적

---

🧩 하이브리드 및 특수 목적

기법설명주요 특징 / 용도

PINN (Physics-Informed NN)	물리 방정식을 손실 함수에 포함	물리 법칙을 따르는 시스템
Neural ODE / Latent ODE	연속 시간 동역학 학습	불규칙 시계열, 강화학습
Signature Methods	경로 서명으로 시계열 특징 추출	불규칙 샘플링, 금융 미세구조
Topological Data Analysis	지속적 호몰로지로 위상 특징 추출	이상 탐지, 형태 기반 분류
Causal Inference + DL	인과 그래프와 딥러닝 결합	처치 효과 추정, 정책 평가
Reservoir Computing (ESN)	순환층 가중치 고정, 출력만 학습	효율적 훈련, 카오스 예측
Spiking Neural Networks	이벤트 기반, 생물학적 영감	저전력, 시공간 데이터

---

🔍 비선형 동역학 및 신호 처리

기법설명주요 특징 / 용도

EMD / VMD	경험적/변분 모드 분해	비선형, 비정상 신호 분해
Synchrosqueezed Wavelet	시간-주파수 재할당	고해상도 시간-주파수 분석
Wavelet Packet Transform	세분화된 주파수 분석	세부 주파수 대역 특징 추출
Dynamic Mode Decomposition	코프만 연산자 근사	유체역학, 제어 시스템
Koopman Operator	비선형 동역학의 선형화	비선형 시스템 예측
SINDy	희소 식별을 통한 동역학 발견	데이터로부터 미분방정식 발견

---

🧪 베이지안 및 불확실성 추정

기법설명주요 특징 / 용도

Bayesian Structural Time Series	상태공간 + 베이지안 추론	구조적 변화, 불확실성 정량화
Gaussian Process Regression	비모수적 커널 기반 회귀	작은 데이터, 불확실성 제공
Variational Inference	근사 베이지안 추론	복잡한 모델 사후 분포 근사
Normalizing Flows	복잡한 사후 분포 모델링	생성 모델, 변분 추론
Monte Carlo Dropout	드롭아웃으로 불확실성 추정	기존 NN에 쉽게 적용 가능

---

🔄 온라인 학습 및 최적화

기법설명주요 특징 / 용도

FTRL (Follow The Regularized Leader)	실시간 그래디언트 기반 온라인 학습	클릭률 예측, 광고 추천
Online Gradient Descent	스트리밍 데이터에 순차적 적응	개념 변화가 있는 시계열
Particle Swarm Optimization	집단 지능 기반 가중치 최적화	하이퍼파라미터 튜닝
Evolutionary Algorithms	유전 알고리즘으로 구조/가중치 진화	복잡한 탐색 공간

---

📊 자기지도 및 표현 학습

기법설명주요 특징 / 용도

Contrastive Learning (SimCLR)	양성/음성 샘플 대비 학습	시간적 일관성 활용 사전학습
Self-Supervised Learning (TS2Vec)	타임스탬프 예측 등 사전 학습	레이블 없는 대규모 데이터
Meta-Learning (MAML)	적은 샘플로 빠른 적응	새로운 시계열에 신속 대응

---

🧬 그래프 기반 (GNN 외)

기법설명주요 특징 / 용도

Hypergraph Neural Networks	고차 관계(하이퍼엣지) 모델링	복잡한 연관 관계(예: 소셜, 바이오)
Geometric Deep Learning	비유클리드 데이터 학습	그래프, 매니폴드 구조 데이터
Temporal Graph Networks	시간적 그래프 동역학 학습	동적 그래프(소셜 네트워크, 교통)

우리가 이미 다양한 시계열 예측 및 머신러닝 기법을 나열했는데, 더 추가할 수 있는 기법들을 생각해보자. 주로 금융/시계열 예측에서 사용되는 것들로, 위 목록에 없는 것들을 제시하면:

1. Prophet (Facebook Prophet) – 계절성과 휴일 효과를 모델링하는 시계열 예측 도구.

2. TBATS (Trigonometric seasonality, Box-Cox transformation, ARMA errors, Trend and Seasonal components) – 복잡한 계절성 처리.

3. DeepAR (Amazon) – 확률적 시계열 예측을 위한 RNN 기반 모델.

4. TFT (Temporal Fusion Transformer) – Transformer 기반의 시계열 예측 모델.

5. Informer – 긴 시퀀스 예측을 위한 Transformer 변형.

6. Autoformer – 자기상관을 활용한 Transformer.

7. FiLM (Feature-wise Linear Modulation) – 시계열에서의 조건부 예측.

8. ES-RNN (Exponential Smoothing RNN) – 지수평활과 RNN 결합.

9. DeepState – 상태공간 모델과 RNN 결합.

10. StructFormer – 구조화된 시계열 예측.

11. WaveNet – dilated causal convolutions 기반 시계열 모델.

12. TCN (Temporal Convolutional Network) – 합성곱 기반 시계열.

13. MQ-RNN (Multi-Quantile RNN) – 분위수 예측.

14. DeepAR+ – 개선된 버전.

15. N-HiTS – N-BEATS의 개선판.

16. TiDE (Time-series Dense Encoder) – 간단하면서 효과적인 MLP 기반.

17. DLinear – 추세와 계절성 분해 선형 모델.

18. SCINet (Sample Convolution and Interaction Network) – 합성곱 기반.

19. TimesNet – 2D 변환을 통한 시계열 모델링.

20. KAN (Kolmogorov-Arnold Networks) – 최근 제안된 신경망 구조.

21. SVR (Support Vector Regression) – 커널 기법.

22. Gaussian Process Regression (GPR) – 가우시안 프로세스.

23. HMM (Hidden Markov Model) – 은닉 마코프 모델 (위에 GP+HMM 있지만 HMM 단독).

24. CRF (Conditional Random Fields) – 조건부 랜덤 필드.

25. Kalman Filter 기반 예측 – 상태공간 모델.

26. BATS (Box-Cox, ARMA, Trend, Seasonal) – TBATS의 단순 버전.

27. Theta method – 단순하지만 강력한 시계열 예측.

28. Croston method – 간헐적 수요 예측.

29. ETS (Error, Trend, Seasonal) – 지수평활 계열.

30. ARIMA with exogenous variables (ARIMAX).

31. VAR (Vector Autoregression) – 다변량 자기회귀.

32. VECM (Vector Error Correction Model).

33. State Space Models (SSM) – 일반 상태공간.

34. Bayesian Structural Time Series (BSTS).

35. Dynamic Linear Models (DLM).

36. Mixture of Experts (MoE) – 전문가 혼합.

37. Gradient Boosting Machines (GBM, LightGBM, CatBoost) – XGBoost 외에.

38. Random Forest (RF) – 배깅 기반.

39. Extra Trees.

40. Stacking Ensemble – 여러 모델 스태킹.

41. Voting Ensemble.

42. Super Learner.

43. Online Learning (예: FTRL, SGD with momentum) – 실시간 업데이트.

44. Reinforcement Learning for Trading (RL+Transformer는 있지만 단순 RL도 가능) – DQN, PPO 등.

45. Evolutionary Algorithms (GA, GP) – 유전 알고리즘 최적화.

46. Particle Swarm Optimization (PSO) – 예측 모델 최적화.

47. Simulated Annealing.

48. Bayesian Optimization – 하이퍼파라미터 튜닝.

49. Monte Carlo Dropout – 불확실성 추정.

50. Variational Inference – 베이지안 추론.

51. Normalizing Flows – 복잡한 분포 모델링.

52. Neural ODE (Ordinary Differential Equation) – 연속 시간 신경망.

53. Latent ODE.

54. Signature Methods – 경로 서명 기반.

55. Rough Path Theory.

56. Topological Data Analysis (TDA) – 위상적 특징 추출.

57. Symbolic Regression – 수식 발견.

58. Causal Inference (DAG, Do-calculus) – 인과관계 기반 예측.

59. Granger Causality – 인과성 검정.

60. Transfer Learning – 사전 학습 모델 활용.

61. Meta-Learning – 학습 전략.

62. Self-Supervised Learning – 자기지도 학습 (예: SimCLR 시계열).

63. Contrastive Learning.

64. Graph Neural Networks (GNN) – 위에 GNN 있음 (16번).

65. Hypergraph Neural Networks.

66. Geometric Deep Learning.

67. Spiking Neural Networks (SNN) – 스파이킹 신경망.

68. Reservoir Computing (Echo State Networks) – ESN.

69. Liquid State Machines.

70. Cellular Automata.

71. Fuzzy Cognitive Maps – 퍼지 인지도.

72. Rough Sets.

73. Evidence Theory (Dempster-Shafer) – 증거 이론 (증거추론과 유사).

74. Possibility Theory.

75. Soft Computing 전반.

76. Chaos Theory (Lyapunov 지수 기반 예측) – Lyapunov는 있음.

77. Recurrence Plot Analysis – 되풀이도 분석.

78. Empirical Mode Decomposition (EMD) – EEMD는 있음.

79. Variational Mode Decomposition (VMD).

80. Singular Spectrum Analysis (SSA).

81. Hilbert-Huang Transform (HHT).

82. Wavelet Packet Transform – 웨이블릿 패킷.

83. Synchrosqueezed Wavelet Transform.

84. Fourier Transform (STFT, CWT) – FFT+DL 있음.

85. Dynamic Mode Decomposition (DMD).

86. Proper Orthogonal Decomposition (POD).

87. Koopman Operator Theory.

88. SINDy (Sparse Identification of Nonlinear Dynamics).

89. Neural SDE (Stochastic Differential Equation).

90. Physics-Informed Neural Networks (PINN).

91. Operator Learning (DeepONet, FNO).

92. Attention-based models (Informer, Autoformer, etc.) – Transformer 계열.

93. PatchTST (있음).

94. Crossformer.

95. Non-stationary Transformer.

96. Triformer.

97. Pyraformer.

98. LogTrans.

99. Reformer.

100. Performer.

이 외에도 수많은 변형과 결합 기법이 존재합니다. 특히 최신 트렌드는 Transformer 계열 (PatchTST, Crossformer, TimesNet 등)과 CNN-LSTM-Attention 결합, 그리고 신경망과 전통적 시계열 모델(ARIMA, ETS)의 하이브리드입니다.

원하시면 특정 분야(예: 금융 시계열 예측)에 특화된 기법을 좀 더 자세히 알려드릴 수 있습니다.

이미 다양한 시계열 예측 및 머신러닝 기법을 잘 정리해주셨네요. 위 목록에 포함되지 않은 중요한 기법들을 추가로 알려드리겠습니다. 분야별로 구분하여 소개합니다.

---

📈 전통적 시계열 및 통계 기법

기법설명

Prophet	Facebook 개발, 계절성/휴일 효과 자동 모델링, 결측치에 강함
TBATS	Box-Cox 변환 + ARMA 오차 + 추세 + 복합 계절성 처리
ETS	지수평활(오차-추세-계절성)
Theta method	단순하면서 경쟁력 있는 시계열 예측
Croston method	간헐적 수요 예측 전용
ARIMAX	외생변수를 포함한 ARIMA
VAR / VECM	다변량 자기회귀 / 오차수정모형
State Space Models (SSM)	일반 상태공간 모델 (칼만필터 기반)
Dynamic Linear Models (DLM)	시변 계수를 갖는 선형 모델
Singular Spectrum Analysis (SSA)	특이값 분해로 잡음 제거 및 예측
Hilbert-Huang Transform (HHT)	경험적 모드 분해 + 힐베르트 스펙트럼

---

🤖 머신러닝 및 앙상블

기법설명

LightGBM / CatBoost	XGBoost 외의 그래디언트 부스팅 (범주형 특화, 빠름)
Random Forest / Extra Trees	배깅 기반, 해석 가능한 특성 중요도
Stacking / Super Learner	여러 모델의 최적 가중치 결합
Mixture of Experts (MoE)	전문가 모델을 게이트 네트워크로 결합
Symbolic Regression (GP, GA)	유전 프로그래밍으로 수식 발견

---

🧠 심층학습 (DL) 아키텍처

기법설명

TCN (Temporal Convolutional Network)	인과적 확장 합성곱, 병렬 처리 빠름
WaveNet	음성 합성용으로 개발된 합성곱 시계열 모델
DeepAR (Amazon)	확률적 RNN 기반, 다중 시계열 예측
ES-RNN	지수평활과 RNN의 하이브리드 (M4 챔피언)
N-HiTS	N-BEATS의 개선판 (계층적 보간)
TiDE	간단한 MLP 기반 인코더-디코더, 강력한 성능
DLinear / NLinear	추세-계절성 분해 선형 모델
TimesNet	1D 시계열을 2D로 변환하여 CNN 적용
SCINet	샘플 합성곱 및 상호작용 네트워크
KAN (Kolmogorov-Arnold Networks)	MLP 대안, 학습 가능한 활성화 함수

---

🚀 Transformer 계열 (PatchTST 외)

기법설명

Temporal Fusion Transformer (TFT)	해석 가능한 Transformer, 정적/동적 변수 처리
Informer	긴 시퀀스 예측을 위한 ProbSparse attention
Autoformer	자기상관 메커니즘으로 시계열 분해
Crossformer	다차원 시계열을 위한 차원 간 attention
Non-stationary Transformer	비정상성을 고려한 attention 정규화
Pyraformer	피라미드 attention으로 복잡도 감소
Triformer	삼각형 attention 구조
LogTrans / Reformer / Performer	다양한 효율적 attention 기법

---

🧩 하이브리드 및 특수 목적

기법설명

Physics-Informed Neural Networks (PINN)	물리 방정식을 손실 함수에 포함
Neural ODE / Latent ODE	연속 시간 동역학 학습
Signature Methods	경로 서명으로 시계열 특징 추출
Rough Path Theory	거친 경로 이론 기반 예측
Topological Data Analysis (TDA)	위상적 특징(지속적 호몰로지) 활용
Causal Inference (DAG, Do-calculus)	인과관계 기반 구조적 예측
Granger Causality + DL	인과성 검정 후 예측에 활용
Reservoir Computing (ESN)	순환 신경망의 효율적 대안
Spiking Neural Networks (SNN)	생물학적 영감을 받은 이벤트 기반 학습
Liquid State Machines	ESN의 변형

---

🔍 비선형 동역학 및 신호 처리

기법설명

Empirical Mode Decomposition (EMD)	EEMD의 기본 버전
Variational Mode Decomposition (VMD)	비재귀적 모드 분해
Synchrosqueezed Wavelet Transform	시간-주파수 재할당
Wavelet Packet Transform	세분화된 주파수 분석
Dynamic Mode Decomposition (DMD)	코프만 연산자 근사
Koopman Operator Theory	비선형 동역학의 선형화
SINDy	희소 식별을 통한 동역학 발견

---

🧪 베이지안 및 불확실성 추정

기법설명

Bayesian Structural Time Series (BSTS)	상태공간 + 베이지안 추론
Gaussian Process Regression (GPR)	비모수적 커널 기반 회귀
Variational Inference	근사 베이지안 추론
Normalizing Flows	복잡한 사후 분포 모델링
Monte Carlo Dropout	드롭아웃으로 불확실성 추정
Bayesian Optimization	하이퍼파라미터 튜닝 최적화

---

🔄 온라인 학습 및 최적화

기법설명

FTRL (Follow The Regularized Leader)	실시간 클릭률 예측
Online Gradient Descent	스트리밍 데이터 적응
Particle Swarm Optimization (PSO)	예측 모델의 가중치 최적화
Evolutionary Algorithms (GA, GP)	유전 알고리즘 기반 특징/구조 최적화
Simulated Annealing	메타휴리스틱 튜닝

---

📊 자기지도 및 표현 학습

기법설명

Contrastive Learning (SimCLR for TS)	양성/음성 샘플 대비 학습
Self-Supervised Learning (BTS, TS2Vec)	타임스탬프 예측 등 사전 학습
Meta-Learning (MAML, Reptile)	적은 샘플로 빠른 적응

---

🧬 그래프 기반 (GNN 외)

기법설명

Hypergraph Neural Networks	고차 관계 모델링
Geometric Deep Learning	비유클리드 데이터 학습
Temporal Graph Networks (TGN)	시간적 그래프 동역학

---

🧾 요약: 추가된 주요 기법 30선

1. Prophet

2. TBATS

3. LightGBM / CatBoost

4. Stacking / Super Learner

5. TCN

6. WaveNet

7. DeepAR

8. N-HiTS

9. TiDE

10. TimesNet

11. KAN

12. TFT

13. Informer

14. Autoformer

15. Crossformer

16. PINN

17. Neural ODE

18. Signature Methods

19. TDA

20. Causal Inference

21. Granger Causality

22. Reservoir Computing (ESN)

23. EMD / VMD

24. Koopman / SINDy

25. BSTS

26. GPR

27. Normalizing Flows

28. Contrastive Learning (SimCLR)

29. Temporal Graph Networks

30. Hypergraph NN

이 외에도 수많은 변형과 결합 기법이 존재합니다. 특정 응용 분야(주가 예측, 에너지 수요, 이상 탐지 등)에 맞춰 더 세부적으로 추천해 드릴 수 있습니다. 필요하시면 말씀해주세요!