[論文レビュー] MarketGANs: Multivariate financial time-series data augmentation using generative adversarial networks

Jeonggyu Huh, Seungwon Jeong+3 more|arXiv (Cornell University)|Jan 25, 2026

Stock Market Forecasting Methods被引用数 0

ひとこと要約

MarketGANsは、時系列畳み込みネットワークをバックボーンとする因子ベースのGANフレームワークを提案し、高次元の多変量資産リターンを生成。横断的依存性と時変リスクファクターを保持し、データ拡張とポートフォリオ応用を可能にする。

ABSTRACT

This paper introduces MarketGAN, a factor-based generative framework for high-dimensional asset return generation under severe data scarcity. We embed an explicit asset-pricing factor structure as an economic inductive bias and generate returns as a single joint vector, thereby preserving cross-sectional dependence and tail co-movement alongside inter-temporal dynamics. MarketGAN employs generative adversarial learning with a temporal convolutional network (TCN) backbone, which models stochastic, time-varying factor loadings and volatilities and captures long-range temporal dependence. Using daily returns of large U.S. equities, we find that MarketGAN more closely matches empirical stylized facts of asset returns, including heavy-tailed marginal distributions, volatility clustering, leverage effects, and, most notably, high-dimensional cross-sectional correlation structures and tail co-movement across assets, than conventional factor-model-based bootstrap approaches. In portfolio applications, covariance estimates derived from MarketGAN-generated samples outperform those derived from other methods when factor information is at least weakly informative, demonstrating tangible economic value.

研究の動機と目的

• 高次元資産リターンモデリングにおけるデータ不足と点推定に対する共同分布学習の必要性を動機づける。
• 資産価格ファクターを経済的帰納的バイアスとして組み込む因子ベース生成フレームワークMarketGANを導入する。
• クロスセクショナルおよび時系列依存性を捉えるために、神経網を用いて時変ファクター負荷と特異ボラティリティをモデル化する。
• MarketGANによる生成データが、弱情報的なファクター情報下で分布適合性とポートフォリオ性能を改善することを実証する。

提案手法

• リターンを生成するために r_t+1 = α_t + β_t F_t+1 + σ_t ⊙ ε_t+1 の因子モデル構造を用いる。
• α_t, β_t, σ_tを条件付きGANと時系列畳み込みネットワークバックボーンにより確率過程として生成する。
• 生成された係数を ex-post 回帰推定値に乗法補正で固定化する： α_t = α̂_t ⊙ (1 + f_α(…))、 β_t = β̂_t ⊙ (1 + f_β(…))、 σ_t = σ̂_t ⊙ (1 + f_σ(…))。
• 安定した対立的学習のために勾配ペナルティを伴うワッサースタインGAN（WGAN-GP）を用いる。
• 系列データ上で現実性を評価するTCNベースの識別器を用いてリターン経路のリアリズムを評価する。
• MarketGANを結合リターン分布のデータ生成器としても、確率的係数ファクターモデルとしても扱う。

実験結果

リサーチクエスチョン

• RQ1 MarketGANは高次元の資産リターンの結合分布を横断的依存性と尾部共動性を保ちながら学習・再現できるか。
• RQ2 ファクター情報が弱い場合でも、MarketGAN生成サンプルはファクターモデルに基づくブートストラップ法に比べてポートフォリオ関連指標と共分散推定を改善するか。
• RQ3 MarketGAN生成リターンは、多くの資産にわたるボラティリティクラスタリングやレバレッジ効果といったスタイライズドファクトをどれほど再現できるか。

主な発見

• MarketGANは周辺分布と高次モーメントに密接に一致する合成リターンを生成する。
• ボラティリティクラスタリングやレバレッジ効果といった時系列上のスタイライズドファクトを再現する。
• ファクターモデルベースのブートストラップと比べて、横断的依存性と尾部共動性の忠実度を著しく高める。
• ファクター情報が弱い場合、MarketGANサンプルからの共分散推定はポートフォリオ性能を向上させる。
• 利益は、純粋に周辺推定を改善するのではなく、一貫した高次元のリターン分布を生成することに起因する。