[論文レビュー] Generating Realistic Stock Market Order Streams

Junyi Li, Xitong Wang+3 more|arXiv (Cornell University)|Jun 7, 2020

Generative Adversarial Networks and Image Synthesis参考文献 27被引用数 8

ひとこと要約

本稿では、独自に設計されたオークションメカニズムネットワークを用いて履歴依存性をモデル化し、注文書の状態を条件付けに組み込むことで、高精細な株式市場注文ストリームを生成する条件付きワサーベルスタインGAN（Stock-GAN）を提案する。VAE や DCGAN といったベースラインと比較して、統計的指標および実際の GOOG データにおけるスペクトル解析により、価格分布のコルモゴロフ・スミルノフ距離が 0.126 と、実データに非常に近い結果を得た。

ABSTRACT

We propose an approach to generate realistic and high-fidelity stock market data based on generative adversarial networks (GANs). Our Stock-GAN model employs a conditional Wasserstein GAN to capture history dependence of orders. The generator design includes specially crafted aspects including components that approximate the market's auction mechanism, augmenting the order history with order-book constructions to improve the generation task. We perform an ablation study to verify the usefulness of aspects of our network structure. We provide a mathematical characterization of distribution learned by the generator. We also propose statistics to measure the quality of generated orders. We test our approach with synthetic and actual market data, compare to many baseline generative models, and find the generated data to be close to real data.

研究の動機と目的

• 複雑な時間的依存性および市場マイクロ構造の依存性を捉える高精細な生成モデルを、リアルな株式市場注文ストリームの生成に開発すること。
• 現行のモデルが、実市場データの主要なスタイリズドファクト（例：買付・売付スプレッドのダイナミクス、注文到着パターン）を再現できないというギャップを解消すること。
• ドッブルオークションなどのドメイン特化された市場メカニズム（例：二重オークション）および市場状態（注文明細）を組み込むことで、生成品質を向上させるニューラルネットワークアーキテクチャを設計すること。
• 生成された市場データのリアリズムを評価するための定量的統計指標のセットを提案・検証すること。
• 合成データおよび実世界の市場データ（例：高流動性株式である GOOG を含む）に対して、モデルの有効性を実証すること。

提案手法

• モデルは、時間依存的ダイナミクスを捉えるために、生成器および批判者両方が履歴注文シーケンスに条件付けられる条件付きワサーベルスタイン GAN（WGAN）を用いる。
• 生成器には、連続的二重オークション（CDA）メカニズムを近似する事前学習済みニューラルネットワークが含まれており、現実的な注文執行および取引生成を可能にする。
• 注文明細状態（例：最良買付・売付価格、深さ）が条件付け履歴に明示的に組み込まれ、生の注文履歴を超えた市場マイクロ構造の反映が可能となる。
• 生成器は、有限記憶依存性を持つ確率的過程を学習し、数学的に「過去の履歴および注文明細状態を条件とした注文ストリームの条件付き分布」として定式化される。
• 訓練は、学習安定性と生成品質の向上を目的としたエアス・ムーバー距離（ワサーベル距離）を用いて実施される。
• アブレーションスタディでは、CDA ネットワークや注文明細条件付けを削除することで、それぞれの要因がリアリズムに与える寄与度を評価する。

実験結果

リサーチクエスチョン

• RQ1 GANベースのモデルは、実市場データと統計的に区別できない株式市場注文ストリームを生成できるか？
• RQ2 生成器アーキテクチャに二重オークションメカニズムと注文明細状態を組み込むことで、生成された注文ストリームのリアリズムはどのように向上するか？
• RQ3 価格、数量、注文間隔、買付・売付価格の進化の観点から、生成された市場データの忠実度を最もよく捉える統計指標は何か？
• RQ4 Stock-GAN は、VAE や DCGAN といったベースラインモデルと比較して、リアルな市場ダイナミクスをどのように上回るか？
• RQ5 アブレーションスタディにより、CDA ネットワークや注文明細条件付けといったアーキテクチャ的要素が、モデルのパフォーマンスにどの程度寄与しているかはいかがなっているか？

主な発見

• 実際の GOOG データにおいて、Stock-GAN は価格分布のコルモゴロフ・スミルノフ（KS）距離が 0.126 と、VAE（0.218）および DCGAN（0.181）を下回り、最も低い値を記録した。
• 数量分布においても、Stock-GAN は KS 距離が 0.182 と、VAE（0.248）および DCGAN（0.471）を著しく下回り、より優れたリアリズムを示した。
• 注文間隔に関しては、Stock-GAN が KS 距離 0.066 を達成し、VAE（0.835）および DCGAN（0.154）を大きく下回り、より優れた時間的パターン再現性を示した。
• スペクトル解析により、CDA ネットワークと注文明細条件付けを両方含めた場合、Stock-GAN が生成した買付・売付価格の進化が、実データと極めて近いことが確認された。
• アブレーションスタディでは、CDA ネットワークを削除すると高周波成分が増加（よりリアリスティックでない）、注文明細データを削除すると高周波成分が減少し、両者ともリアリズムが低下した。
• モデルは、高取引量の実データ（例：GOOG では 230,000 件の注文）に対しても、リアルな強度パターンおよび買付・売付ダイナミクスを生成でき、全評価指標でベースラインを上回った。