[論文レビュー] Generative Adversarial Networks for Financial Trading Strategies Fine-Tuning and Combination

Adriano Koshiyama, Nick Firoozye+1 more|arXiv (Cornell University)|Jan 7, 2019

Stock Market Forecasting Methods参考文献 59被引用数 25

ひとこと要約

本論文では、従来のリサンプリング手法が失敗する時系列状況において、特に過剰適合や性能低下の問題を緩和するため、条件付き生成対抗ネットワーク（cGANs）を用いた金融取引戦略のファインチューニングおよびアンサンブル結合の改善を提案する。この手法は、多様でストレスイベントに配慮した合成データを生成し、モデルの検証および集約に用いる。特に弱い信号環境では、スタティオナリーブートストラップを上回り、SPXインデックスにおいてシャープレシオの向上が示された。579資産を用いた実証分析により、その有効性が裏付けられた。

ABSTRACT

Systematic trading strategies are algorithmic procedures that allocate assets aiming to optimize a certain performance criterion. To obtain an edge in a highly competitive environment, the analyst needs to proper fine-tune its strategy, or discover how to combine weak signals in novel alpha creating manners. Both aspects, namely fine-tuning and combination, have been extensively researched using several methods, but emerging techniques such as Generative Adversarial Networks can have an impact into such aspects. Therefore, our work proposes the use of Conditional Generative Adversarial Networks (cGANs) for trading strategies calibration and aggregation. To this purpose, we provide a full methodology on: (i) the training and selection of a cGAN for time series data; (ii) how each sample is used for strategies calibration; and (iii) how all generated samples can be used for ensemble modelling. To provide evidence that our approach is well grounded, we have designed an experiment with multiple trading strategies, encompassing 579 assets. We compared cGAN with an ensemble scheme and model validation methods, both suited for time series. Our results suggest that cGANs are a suitable alternative for strategies calibration and combination, providing outperformance when the traditional techniques fail to generate any alpha.

研究の動機と目的

• 従属的な時系列データにおけるシステム的取引戦略のキャリブレーションにおいて、過剰適合や性能低下の問題に対処すること。
• cGANsを用いて、モデル検証およびアンサンブル学習に適した多様で現実的である合成金融時系列を生成する新しい手法を検討すること。
• 実世界の金融データセットにおいて、cGANベースの戦略結合およびファインチューニングを、スタティオナリーブートストラップやハイパーパramータ最適化といった既存手法と比較すること。
• cGANを金融時系列に適用して取引戦略開発のためのトレーニング、選択、適用を可能にする、堅牢で再現性のあるメソドロジーを提供すること。
• 従来の手法が失敗する状況でも有効な、強靭性とアルファ生成を向上させる新たな検証および集約フレームワークを提供すること。

提案手法

• 579の金融時系列（株式、インデックス、通貨）を対象に、条件付きノイズ入力を用いて合成リターンパスを生成するcGANを訓練する。
• 生成器の出力サンプルを用いて、個々の取引戦略を再トレーニングおよび検証し、多様な合成シナリオ下での頑健なファインチューニングを可能にする。
• cGANによって生成されたサンプルで訓練された複数の戦略の予測をアンサンブル化することで、全体のリスク調整リターンを向上させる。
• 生成データと実データの間の平均二乗誤差（RMSE）を用いてcGANの性能を評価し、ボラティリティクラスタリングなどのスタイリッシュファクトにも注目する。
• アンサンブル構築において、cGANサンプリングとスタティオナリーブートストラップを比較し、シャープレシオと統計的有意性を評価指標とする。
• 時系列に特化したモデル検証スキーム（窓ベース手法や時系列シャッフル）を用いてcGANの性能をベンチマーク化する。

実験結果

リサーチクエスチョン

• RQ1 cGANsは、トレーニングおよび検証用に有用な統計的に意味のある、実用的な合成金融時系列を生成できるか？
• RQ2 特にスタティオナリーブートストラップがアルファを生成できない状況において、cGANベースの戦略結合は従来のアンサンブル手法を上回るか？
• RQ3 cGANベースのファインチューニングは、時系列設定下で、既存のハイパーパramータ最適化およびモデル検証技術と比較してどのように評価できるか？
• RQ4 cGANsは、ストレスイベントを反映したサンプルを効果的に生成でき、より良いモデルのストレステストおよび強靭性評価を可能にするか？
• RQ5 cGANによって生成されたサンプルとスタティオナリーブートストラップによるリサンプルを組み合わせることで、アンサンブル性能が向上する相乗効果があるか？

主な発見

• スタティオナリーブートストラップがアルファを生成できなかった状況において、cGANsは特にSPXインデックスにおいて、広範かつ統計的に有意な性能向上を示した。
• 従来のリサンプリング手法（例：スタティオナリーブートストラップ）が性能向上をもたらさない状況において、cGANサンプリングはアンサンブルモデリングの代替として実用的かつ効果的であった。
• cGANベースのファインチューニングは、既存の検証技術と比較して競争力のある結果を達成し、時系列モデルキャリブレーションの有効なツールであることが示された。
• cGANベースのアンサンブルから得られたシャープレシオは、スタティオナリーブートストラップからのものと低相関であったため、情報が相補的であり、ハイブリッド手法の可能性が示唆された。
• 本研究では、cGANsが、ボラティリティクラスタリングなどの金融時系列のスタイリッシュファクトを反映したサンプルを生成できることを明らかにした。これにより、合成データの現実性と実用性が向上した。
• 本研究では、実データセットおよび複数のモデルを用いた、さまざまな検証戦略の包括的比較を実施した。これにより、従来の文献にない、新たな実証的ベンチマークが得られた。