시계열 예측을 위한 Mistral Timestral 로컬 실행 방법

작고 로컬에서 실행되며 밀리초 단위로 예측을 반환하고 추가 학습이 필요 없는 AI 모델로 주가를 예측할 수 있다면 어떨까요?

시계열 예측은 보통 ARIMA 같은 통계 기법, 머신러닝 파이프라인, 또는 특정 데이터셋에 학습된 모델을 의미합니다. 2026년 10월 15일 Mistral AI가 공개 가중치로 발표한 시계열 예측 모델 패밀리 Timestral은 다른 접근을 취합니다. 미세 조정 없이 과거 데이터로부터 미래 값을 예측하며, Mistral에 따르면 가장 큰 모델은 세 가지 공개 벤치마크에서 사전학습된 제로샷 모델 중 1위를 기록했습니다.

모델 크기는 작지만 여러 예측 벤치마크에서 경쟁력 있는 정확도를 보이며, 금융시장부터 에너지 소비, 리테일 수요까지 폭넓게 적용할 수 있습니다.

이 튜토리얼에서는 Timestral이 무엇이며 어떻게 작동하는지 살펴보고, Python과 uv로 로컬 환경을 구성한 다음, 실제 애플(AAPL) 주가 데이터에 테스트해 보겠습니다. 롤링 1일 예측을 생성하고, 실제 종가와 단순 기준선 대비 성능을 비교한 뒤, 예측을 간단한 매수(Buy)·매도(Sell)·보유(Hold) 신호로 변환합니다. 또한 TimeGPT로 시계열 예측하기와 ARIMA를 활용한 시계열 예측 튜토리얼도 참고하세요.

Mistral Timestral이란?

Timestral은 빠르고 범용적인 예측을 위한 Mistral AI의 공개 가중치 시계열 파운데이션 모델 패밀리입니다. 시계열 파운데이션 모델은 다양한 대규모 시계열 모음으로 한 번 사전학습되어, 본 적 없는 데이터도 예측할 수 있습니다.

특정 데이터셋으로의 학습이 필요한 전통적 예측 모델과 달리, Timestral은 제로샷 예측을 지원합니다. 추가 학습이나 미세 조정 없이 과거 데이터만으로 미래 값을 직접 예측합니다.

Timestral은 인과적(causal) 패치 기반 트랜스포머로, 주로 합성 데이터로 학습한 뒤 실제와 합성 데이터를 혼합한 2단계 학습을 거칩니다. 주가, 전력 수요, 매출, 센서 측정치까지 다룹니다. 아키텍처와 학습은 기술 보고서에 설명되어 있습니다.

Mistral은 모델 크기, 속도, 정확도의 균형이 다른 네 가지 규모를 공개했습니다:

Mistral이 공개한 벤치마크에 따르면, Timestral-209M은 GIFT-Eval, TIME, fev-bench의 사전학습 제로샷 모델 중 1위입니다. 보고된 비교에서는 TimesFM-3와 Falcon-2.0 같은 더 큰 모델도 앞섰습니다. 이는 Mistral이 직접 제출해 GIFT-Eval과 TIME 리더보드에 반영된 결과이므로, 독립적 검증을 위해 리더보드를 확인하세요.

속도도 강점입니다. 8스레드 표준 서버 CPU에서, Timestral-209M은 15분 간격 3주치 이력을 바탕으로 1일 앞 예측을 113밀리초에 수행하고, 5M 모델은 17밀리초가 걸린다고 보고합니다. GPU는 필요 없습니다.

Timestral은 다음 예측 기능을 지원합니다:

• 긴 과거 컨텍스트: 최대 32,768개의 과거 시점 입력 허용.
• 다변량 예측: 관련된 여러 시계열을 함께 예측해 성능 향상.
• 확률적 예측: 단일 값 대신 불확실성을 추정하기 위한 21개 분위수 반환.
• 공변량: 예측에 영향을 줄 수 있는 과거 전용 및 미래가 알려진 수치/범주형 변수 허용.
• 로컬 추론: 유료 API 없이 CPU와 GPU에서 실행. 코드는 Apache 2.0, 가중치는 수정된 MIT 라이선스로 공개.

이 튜토리얼에서는 Mistral의 공개 벤치마크 기준으로 가장 크고 정확한 Timestral-209M을 사용합니다. NVIDIA RTX 4070 GPU에서 로컬로 실행해 주가를 예측하고 실제 시장 데이터로 성능을 평가합니다.

Linux에서 Timestral 설정

Timestral에는 Python 3.10 이상과 PyTorch 2.4 이상이 필요합니다. 여기서는 Python 3.12, PyTorch 2.7.0, uv로 Linux 머신에 경량 개발 환경을 구성합니다. Timestral은 CPU 추론도 지원하므로 GPU는 선택 사항입니다.

먼저 NVIDIA GPU가 인식되고 드라이버가 정상 동작하는지 확인하세요:

nvidia-smi제공

이 명령은 GPU 정보, 드라이버 버전, CUDA 호환성을 표시합니다. 출력에 GPU가 보이면 계속 진행할 수 있습니다.

다음으로 빠른 Python 패키지·환경 관리자 uv를 설치하세요:

curl -LsSf https://astral.sh/uv/install.sh | sh제공

uv 설치 후 터미널을 재시작해 셸에서 명령을 사용할 수 있도록 하세요.

이제 프로젝트 디렉터리와 Python 3.12 가상환경을 만듭니다:

mkdir timestral-project
cd timestral-project
uv venv --python 3.12
source .venv/bin/activate제공

다음으로 CUDA 12.6을 지원하는 PyTorch 2.7.0을 설치합니다:

uv pip install torch==2.7.0 \
  --index-url https://download.pytorch.org/whl/cu126제공

테스트 중 CUDA 12.8 빌드는 RTX 4070에서 드라이버 호환성 오류가 발생했습니다. CUDA 12.6의 PyTorch 2.7.0으로 전환하니 드라이버 업데이트 없이 해결되었습니다. GPU와 NVIDIA 드라이버에 따라 다른 CUDA 빌드가 필요할 수 있습니다.

GPU가 없다면 인덱스 URL을 https://download.pytorch.org/whl/cpu로 바꿔 CPU 빌드를 설치하세요. 이후 코드에서는 CUDA가 없을 경우 자동으로 CPU로 대체됩니다.

이제 공식 GitHub 저장소에서 Timestral을 직접 설치합니다:

uv pip install git+https://github.com/mistralai/timestral.git제공

주가 데이터 다운로드, 예측 처리, 시각화 생성, 노트북 실행을 위한 나머지 라이브러리를 설치합니다:

uv pip install numpy "pandas>=2.2,<3.1" matplotlib \
  yfinance jupyterlab ipykernel tqdm제공

yfinance로 과거 주가를 가져오고, pandas와 NumPy로 데이터를 처리하며, Matplotlib으로 실제와 예측 가격을 그립니다. 또한 테스트 당시 사용한 범위로 pandas 버전을 제한해 호환성 경고를 피했습니다.

다음 단계로 넘어가기 전에, PyTorch가 GPU에 접근 가능한지 확인합니다:

python -c "import torch; print(torch.__version__); print(torch.cuda.is_available()); print(torch.cuda.get_device_name(0) if torch.cuda.is_available() else 'No CUDA GPU available')"제공

우리의 출력:

2.7.0+cu126
True
NVIDIA GeForce RTX 4070제공

True는 CUDA가 PyTorch에서 사용 가능함을, 마지막 줄은 GPU를 식별했음을 의미합니다. 이제 Timestral을 실험할 준비가 되었습니다.

따로 Python 스크립트를 만들기보다, JupyterLab을 사용해 코드를 단계별로 실행하고, 예측 값을 살피며, 실제 시장 데이터와 비교하겠습니다. 프로젝트 디렉터리에서 JupyterLab을 실행하세요:

python -m jupyter lab제공

터미널에 표시된 URL(보통 http://localhost:8888/lab)을 열고, 방금 구성한 환경으로 새 Python 노트북을 만듭니다. 이 노트북으로 Timestral을 로드하고, 예측을 생성하며, 모델 성능을 평가합니다.

Timestral로 애플 주가 예측하기

합성 데이터를 생성하는 대신 애플의 실제 과거 주가를 사용해 Timestral이 다음 거래일 종가를 얼마나 정확히 예측하는지 측정합니다.

더 현실적인 실험을 위해 롤링 1일 예측을 사용합니다. 테스트 구간의 각 거래일마다 Timestral은 직전 500개의 종가를 입력받아 다음 날의 종가만 예측합니다.

다음 두 가지 방법도 비교합니다:

• 원시 가격 예측: 다음 종가를 직접 예측.
• 로그 수익률 예측: 다음 날의 로그 가격 변화를 예측한 뒤 종가로 변환.

1. 과거 주가 다운로드

노트북을 시작하고 필요한 라이브러리를 임포트합니다. 또한 티커, 테스트 일수, 컨텍스트 윈도, 모델 이름을 설정합니다.

import numpy as np
import pandas as pd
import torch
import yfinance as yf
import matplotlib.pyplot as plt
from tqdm.auto import tqdm
from IPython.display import display
from timestral import TimestralForecaster

TICKER = "AAPL"
DAYS = 60
WINDOW = 500
MODEL = "mistralai/Timestral-209M"제공

이제 애플의 일별 5년치 데이터를 다운로드합니다. auto_adjust=True를 설정하면 분할과 배당을 반영한 조정 종가를 반환합니다.

data = yf.download(
    TICKER,
    period="5y",
    interval="1d",
    auto_adjust=True,
    multi_level_index=False,
    progress=False,
)

close = data["Close"].dropna().astype(float)

assert len(close) >= WINDOW + DAYS
assert (close > 0).all()
display(data.tail())제공

마지막 60거래일을 테스트에 사용하고, 각 예측에는 직전 500개의 관측치를 컨텍스트로 사용합니다.

2. GPU에 Timestral 로드

CUDA가 없을 경우 CPU로 대체되도록 설정한 뒤 209M 모델을 GPU에 로드합니다. 이 셀을 처음 실행할 때 837MB의 가중치가 Hugging Face에서 다운로드됩니다.

device = "cuda" if torch.cuda.is_available() else "cpu"

model = TimestralForecaster.from_pretrained(
    MODEL,
    device=device,
)

print(f"Loaded {MODEL} on {device}")제공

RTX 4070에서 모델이 성공적으로 로드되었습니다:

Loaded mistralai/Timestral-209M on cuda제공

3. 롤링 1일 예측 생성

이제 각 거래일마다 두 가지 예측을 생성합니다. 하나는 과거 종가로부터, 다른 하나는 로그 수익률로부터의 예측입니다. 로그 수익률은 가격 로그의 일간 변화이며, 예측된 수익률은 직전 종가를 사용해 다시 가격으로 변환합니다.

actual = []
price_predictions = []
return_predictions = []
previous_prices = []
lower_bounds = []
upper_bounds = []
dates = []

for i in tqdm(range(DAYS), desc="Forecasting"):
    pos = len(close) - DAYS + i
    history = close.iloc[pos - WINDOW:pos].to_numpy(dtype=np.float32)
    previous = float(history[-1])

    with torch.inference_mode():
        # Forecast raw prices
        price_fc = model.forecast(
            history,
            prediction_length=1,
        )
        price_pred = float(price_fc.median.squeeze())

        # Forecast log returns
        returns = np.diff(np.log(history))
        return_fc = model.forecast(
            returns.astype(np.float32),
            prediction_length=1,
        )
        return_pred = previous * np.exp(
            float(return_fc.median.squeeze())
        )

    actual.append(float(close.iloc[pos]))
    previous_prices.append(previous)
    price_predictions.append(price_pred)
    return_predictions.append(return_pred)
    lower_bounds.append(float(price_fc.quantile(0.1).squeeze()))
    upper_bounds.append(float(price_fc.quantile(0.9).squeeze()))
    dates.append(close.index[pos])

actual = np.array(actual)
previous_prices = np.array(previous_prices)
price_predictions = np.array(price_predictions)
return_predictions = np.array(return_predictions)
lower_bounds = np.array(lower_bounds)
upper_bounds = np.array(upper_bounds)

results = pd.DataFrame({
    "Previous Close": previous_prices,
    "Actual": actual,
    "Raw Prediction": price_predictions,
    "Return Prediction": return_predictions,
    "Lower 10%": lower_bounds,
    "Upper 90%": upper_bounds,
}, index=pd.DatetimeIndex(dates, name="Date"))

display(results.tail())제공

모델은 각 예측마다 직전 500개의 종가를 사용해 총 60개의 롤링 1일 예측을 생성합니다. 각 예측은 대상 일 이전에 이용 가능한 데이터만 사용하므로, 미래 가격이 모델 입력에 섞일 수 없습니다.

4. 예측 정확도 평가

평균 절대 오차(MAE), 제곱근 평균 제곱 오차(RMSE), 평균 절대 백분율 오차(MAPE), 방향성 정확도를 측정합니다. 또한 내일 종가가 오늘과 같다고 가정하는 단순 기준선과 Timestral을 비교합니다.

actual = results["Actual"].to_numpy()
previous = results["Previous Close"].to_numpy()
raw = results["Raw Prediction"].to_numpy()
ret = results["Return Prediction"].to_numpy()

def evaluate(prediction, baseline=False):
    metrics = {
        "MAE ($)": np.mean(np.abs(actual - prediction)),
        "RMSE ($)": np.sqrt(np.mean((actual - prediction) ** 2)),
        "MAPE (%)": np.mean(np.abs((actual - prediction) / actual)) * 100,
    }
    metrics["Direction (%)"] = (
        np.nan if baseline
        else np.mean(np.sign(actual - previous) == np.sign(prediction - previous)) * 100
    )
    return metrics

metrics = pd.DataFrame({
    "Baseline": evaluate(previous, baseline=True),
    "Raw Prices": evaluate(raw),
    "Log Returns": evaluate(ret),
}).T

coverage = (
    (actual >= results["Lower 10%"].to_numpy())
    & (actual <= results["Upper 90%"].to_numpy())
).mean() * 100

display(metrics.round(2))
print(f"Raw-price 10-90% interval coverage: {coverage:.1f}%")제공

결과적으로 Timestral은 원시 주가보다 로그 수익률을 예측할 때 성능이 약간 더 좋았습니다. 

로그 수익률 접근법은 MAE($3.05), RMSE($3.84), MAPE(0.93%)가 가장 낮았고, 기준선 모델을 근소하게 앞질렀습니다. 

더 중요한 점은 방향성 정확도가 원시 가격 41.67%에서 로그 수익률 55%로 개선되어, 주가 상승·하락 방향 예측에서 더 나은 성능을 시사한다는 것입니다. 

원시 가격 모델의 예측 구간 커버리지도 81.7%로 기대치인 80%에 근접하여 불확실성 추정이 무난히 보정되었음을 보여줍니다. 전반적으로 Timestral은 꽤 정확한 가격 예측을 생성했지만, 단순 기준선 대비 개선 폭은 미미했으며, 예측이 거래 의사결정을 안정적으로 지원할 수 있는지 판단하려면 추가 테스트가 필요합니다.

5. Timestral 예측 시각화

Matplotlib으로 실제 종가와 두 가지 예측 방법을 함께 그려봅니다.

fig, axes = plt.subplots(
    2, 1,
    figsize=(14, 9),
    gridspec_kw={"height_ratios": [2, 1]},
    sharex=True,
)

# Actual vs predicted prices
axes[0].plot(
    dates, actual,
    label="Actual Price",
    color="green",
    linewidth=2.5,
)
axes[0].plot(
    dates, price_predictions,
    label="Timestral Raw Price",
    color="orange",
    linestyle="--",
)
axes[0].plot(
    dates, return_predictions,
    label="Timestral Log Returns",
    color="royalblue",
    linestyle="--",
)
axes[0].fill_between(
    dates,
    lower_bounds,
    upper_bounds,
    color="orange",
    alpha=0.12,
    label="10-90% Forecast Range",
)
axes[0].set_title(f"Timestral-209M | {TICKER} Rolling One-Day Forecast")
axes[0].set_ylabel("Adjusted Close (USD)")
axes[0].legend()
axes[0].grid(alpha=0.2)

# Prediction errors
axes[1].plot(
    dates,
    price_predictions - actual,
    label="Raw Price Error",
    color="orange",
)
axes[1].plot(
    dates,
    return_predictions - actual,
    label="Log Return Error",
    color="royalblue",
)
axes[1].axhline(0, color="black", linestyle=":")
axes[1].set_ylabel("Error ($)")
axes[1].set_xlabel("Date")
axes[1].legend()
axes[1].grid(alpha=0.2)

fig.autofmt_xdate()
plt.tight_layout()
fig.savefig("aapl_improved.png", dpi=180, bbox_inches="tight")
plt.show()제공

차트는 60거래일 동안 Timestral이 애플의 실제 가격을 얼마나 밀접하게 추종하는지 보여줍니다. 두 접근법 모두 상승 추세를 포착하며, 주황색 음영 영역은 원시 가격 모델의 10~90% 예측 구간입니다. 하단 패널은 일별 예측 오차를 나타냅니다.

대부분의 오차는 약 $5 이내에 머물며, 급격한 가격 변동 구간에서 $9~$11의 큰 빗나감이 몇 차례 있습니다. 두 방법의 예측은 거의 동일하며, 로그 수익률이 근소하게 우세합니다. 두 예측선 모두 실제 가격을 약 하루 정도 늦게 따라붙는 모습으로, 단순 기준선과의 격차가 작다는 사실과 부합합니다.

6. 매수, 보유, 매도 신호 생성

이제 원시 가격 예측을 실험적 매수(Buy), 보유(Hold), 매도(Sell) 신호로 변환해 보겠습니다. 예측 가격 변화율에 1% 임계값을 사용합니다:

• BUY: 예측 상승률 1% 초과.
• SELL: 예측 하락률 1% 초과.
• HOLD: 예측 변동이 -1% ~ +1% 사이.

이 규칙은 NumPy로 구현할 수 있습니다:

THRESHOLD = 1.0

change_pct = (
    price_predictions / previous_prices - 1
) * 100

signals = np.where(
    change_pct > THRESHOLD,
    "BUY",
    np.where(change_pct < -THRESHOLD, "SELL", "HOLD"),
)

results["Expected Change (%)"] = change_pct
results["Signal"] = signals

display(results.tail(10).round(2))
display(results["Signal"].value_counts())

results.to_csv("aapl_signals.csv")제공

60거래일 모두 HOLD 신호로, BUY나 SELL 추천은 없었습니다. 마지막 10개 행에서도 예상 변화율은 양방향 모두 0.15%를 넘지 않아, 1% 임계값에 한참 못 미칩니다.

이 신호는 방향성 정확도가 더 낮았던(41.67%) 원시 가격 예측에서 나온 것입니다. 로그 수익률 예측 기준의 신호를 보려면 change_pct 계산에서 price_predictions를 return_predictions로 바꾸세요. 임계값을 낮추면 BUY/SELL 신호가 더 많이 생성되지만, 예측 오차와 시장 노이즈에 더 민감해집니다.

이 신호는 실험용이며 실거래를 위한 것이 아닙니다. 본 튜토리얼의 어느 부분도 투자 조언이 아닙니다. 수익성 있는 전략이 될 수 있는지 판단하려면 추가 백테스트, 임계값 튜닝, 거래 비용 분석이 필요합니다.

마무리

전반적으로 Timestral은 매우 인상적이었습니다. 

설정은 간단했고, 추론은 빨랐으며, 외부 API에 의존하지 않고 RTX 4070에서 모든 작업을 로컬로 실행할 수 있었습니다. 

더 매력적인 점은 이 경량 모델들이 CPU에서도 실행되어 고가의 하드웨어 없이도 접근 가능하다는 것입니다.

예측 정확도 측면에서는 결과가 엇갈렸습니다. 

Timestral은 주가 흐름을 무난히 따라갔지만, 단순 기준선을 근소하게 상회하는 정도였습니다.

저는 금융 예측이나 트레이딩 전문가는 아니므로, 데이터 준비, 예측 전략, 파라미터 튜닝을 통해 더 나은 결과를 얻을 여지가 있다고 생각합니다.

그동안 TimeGPT 같은 호스팅 예측 서비스를 사용했지만, Timestral 덕분에 로컬 예측이 훨씬 매력적으로 느껴졌습니다. 출시 이후, 빠르고 가벼우며 API 호출과 사용량 기반 요금이 없는 장점 덕분에 더 많은 예측 작업을 로컬 모델로 옮기기 시작했습니다.

제게 Timestral의 가장 큰 강점은 정확도뿐 아니라, 예측을 얼마나 쉽게 그리고 저렴하게 만들었는가 입니다.

자체 하드웨어에서 강력한 시계열 모델을 실행하고, 자유롭게 실험하며, 외부 서비스에 의존하지 않고 애플리케이션에 통합할 수 있습니다. 비록 우리의 주가 예측이 눈에 띄지는 않았더라도, 로컬 예측 애플리케이션을 구축하려는 누구에게나 Timestral은 훌륭한 선택이라고 생각합니다.

예측을 더 배우고 싶다면 Time Series Analysis in Python 코스를 추천합니다. 금융 특화 모델링은 Machine Learning for Finance in Python을 시도해 보세요.