이동평균(SMA/EMA) 계산기

이동평균이란 무엇인가요?

이동평균은 각 점을 인근 점들의 평균으로 대체하여 잡음이 많은 데이터 시리즈를 평활화함으로써, 단기 변동 속에서도 기저 추세를 쉽게 파악할 수 있게 합니다. 제조업 수요 예측, 금융 분석, 공정 모니터링에서 가장 널리 사용되는 시계열 기법 중 하나입니다.

단순 이동평균(SMA)은 가장 최근 N개 점("윈도우")을 동일한 가중치로 평균하며, 새 점이 들어올 때마다 한 칸씩 앞으로 이동합니다. 계산과 해석이 쉽지만, 오래된 데이터와 최근 데이터를 동일하게 취급하며 오래된 점이 윈도우를 벗어날 때까지는 여전히 전체 가중치로 반영되므로 실제 최근 변화에 느리게 반응합니다.

지수 이동평균(EMA)은 대신 최근 점에 더 큰 가중치를, 오래된 점에는 점점 더 작은 가중치를 부여하며, 윈도우 크기로부터 도출된 평활 계수를 사용합니다. 이 때문에 EMA는 동일한 윈도우 크기의 SMA보다 최근 변화에 더 빠르게 반응하지만, 그 대신 단기 잡음에 다소 더 민감해집니다.

Formula: SMA_t = (x_t + x_(t-1) + ... + x_(t-N+1)) / N EMA_t = α × x_t + (1 − α) × EMA_(t-1), α = 2 / (N + 1)

계산 예시

10, 12, 13, 12, 15, 16, 18, 17, 19, 20의 시리즈에 3기간 윈도우를 적용하면: 첫 번째 SMA 값은 처음 세 점의 평균 (10+12+13)/3 = 11.67, 두 번째는 2~4번째 점의 평균 (12+13+12)/3 = 12.33이며, 이런 식으로 총 8개의 평활 값을 생성합니다(10개 점에서 윈도우 3을 뺀 값에 1을 더함). EMA는 동일한 초기 평균(11.67)에서 시작하지만 이후 새 점에 더 큰 가중치를 부여하여(여기서는 α = 2/(3+1) = 0.5), SMA보다 후반부의 상승 추세를 더 밀접하게 추적하는 시리즈를 만듭니다.

이 계산기를 사용해야 할 때

• 예측을 세우기 전에 일별 생산량이나 수요 데이터를 평활화하여 기저 추세를 파악하는 생산 계획 담당자
• 정상적인 무작위 변동과 실제 추세를 구분하기 위해 공정 지표를 시간에 따라 모니터링하는 품질 엔지니어
• 일별 소비량 측정치를 평활화하여 날씨나 사용 잡음에 가려진 점진적 효율 추세를 추적하는 에너지 관리자
• 간단한 예측이나 재주문점 계산에 입력값으로 사용하기 위해 판매 또는 사용 데이터를 평활화하는 재고/공급망 분석가

피해야 할 일반적인 실수

• 데이터의 자연 주기를 고려하지 않고 임의로 윈도우 크기를 선택 — 기저 주기와 맞지 않는 윈도우(예: 강한 주간 패턴이 있는 데이터를 5일로 평균)는 추세를 명확히 하기보다 왜곡할 수 있습니다
• 평활화된 시리즈에 지연이 없는 것처럼 취급 — SMA와 EMA 모두 설계상 실제 데이터의 급격한 변화보다 뒤처지며, 이동평균은 항상 추세가 실제로 시작된 시점보다 나중에 이를 확인합니다
• 의미 있는 순서가 없는 데이터에 이동평균을 사용 — 이 기법은 데이터 점이 시간 또는 순서상으로 정렬되어 있다고 가정합니다; 정렬되지 않은 데이터에 적용하면 무의미한 결과가 나옵니다
• 지연 차이를 고려하지 않고 SMA와 EMA 값을 동일한 것처럼 비교 — EMA가 더 빠르게 반응하므로, 동일한 윈도우라도 특정 시점의 EMA와 SMA는 특히 실제 변화 직후 상당히 다를 수 있습니다
• 조정 없이 마지막 이동평균 점을 예측값으로 외삽 — 이동평균은 과거의 평활화된 거동을 설명할 뿐 예측이 아닙니다; 단순 외삽은 데이터에 여전히 존재하는 추세나 계절성을 무시합니다

결과 해석 방법

• 이동평균이 상승하면 윈도우 기간 동안 기저 데이터가 상승 추세임을 나타내고, 하락하면 하락 추세를 나타냅니다
• 원본 시리즈가 이동평균을 상향 돌파하면 흔히 상승 추세로의 전환을 알리는 (지연은 있지만) 조기 신호로 해석되며, 하향 돌파는 그 반대를 시사합니다
• 잡음이 많은 원본 시리즈에도 불구하고 이동평균이 대체로 평평하게 유지되면 기저 프로세스가 안정적이며 눈에 보이는 잡음은 단기 무작위 변동일 뿐임을 시사합니다
• 동일한 윈도우로 계산했을 때 EMA와 SMA 사이의 격차는 EMA가 최근 데이터에 얼마나 더 많은 가중치를 두는지를 보여줍니다 — 격차가 커지면 최근 데이터가 장기 평균에서 뚜렷이 벗어나고 있음을 시사합니다
• 이동평균은 항상 실제 데이터보다 지연되므로, 추세 방향의 변화는 새로운 점 하나가 아니라 연속된 여러 평활 점이 그 방향을 유지한 후에만 확정된 것으로 간주하세요

관련 표준 및 참고자료

• NIST/SEMATECH e-Handbook of Statistical Methods (Section 6.4, Introduction to Time Series Analysis) — 이동평균과 평활화 기법에 대한 표준 참고 자료
• Hyndman, R.J. & Athanasopoulos, G., "Forecasting: Principles and Practice" — 수요 예측을 위한 이동평균 및 지수 평활화 기법을 다루는 널리 사용되는 오픈 참고서
• Box, G.E.P., Jenkins, G.M., "Time Series Analysis: Forecasting and Control" — 이동평균과 지수 평활화를 시계열 모델링의 기본 요소로 다루는 통계학의 기초 문헌

자주 묻는 질문

윈도우 크기는 어떻게 선택하나요?

윈도우가 클수록 선이 더 매끄러워지지만 실제 변화에 더 느리게 반응하며, 시리즈 시작 부분에서 더 많은 데이터 점을 잃습니다(SMA는 첫 값을 산출하기 전에 N-1개의 점이 필요합니다). 윈도우가 작을수록 데이터를 더 밀접하게 추적하지만 잡음도 더 많이 남습니다. 일반적인 출발점은 데이터의 자연 주기에 맞는 윈도우를 선택하는 것입니다(예: 주간 패턴이 있는 일별 데이터라면 7, 연간 패턴이 있는 월별 데이터라면 12).

SMA 대신 EMA를 언제 사용해야 하나요?

평활화된 선이 최근 변화에 더 빠르게 반응해야 할 때 EMA를 사용하세요 — 예를 들어 생산량이나 에너지 소비의 신흥 추세를 가능한 한 빨리 감지하려는 경우입니다. 더 안정적이고 덜 반응적인 기준선을 원하거나, 윈도우 기간을 동일하게 가중하는 것이 개념적으로 더 적절한 경우(예: 최근 7일을 특별히 더 중시할 이유 없이 그대로 평균하는 경우)에는 SMA를 사용하세요.

왜 평활화된 시리즈는 원본보다 점이 적나요?

윈도우를 채울 만큼 충분한 과거 데이터가 있어야 이동평균을 계산할 수 있으므로, 원본 시리즈의 처음 (윈도우 − 1)개 점에는 대응하는 이동평균 값이 없습니다. 따라서 10개 점 시리즈의 3기간 이동평균은 원본의 3번째 점부터 정렬된 8개의 평활 값만 생성합니다.