[論文レビュー] PAGAN: Portfolio Analysis with Generative Adversarial Networks

Giovanni Mariani, Yada Zhu+5 more|RePEc: Research Papers in Economics|Sep 19, 2019

Stock Market Forecasting Methods参考文献 30被引用数 6

ひとこと要約

PAGANは、多変数金融時系列における市場の不確実性をモデル化するGANベースのフレームワークを導入し、現実的な将来の価格動向のモンテカルロシミュレーションを用いてポートフォリオ最適化を可能にする。価格予測に依存せず、資産間の複雑な非線形的依存関係を学習することで、長期間にわたる投資において、マークォイツ・モデルに比してリスク調整リターンの面で優れる。

ABSTRACT

Since decades, the data science community tries to propose prediction models of financial time series. Yet, driven by the rapid development of information technology and machine intelligence, the velocity of today's information leads to high market efficiency. Sound financial theories demonstrate that in an efficient marketplace all information available today, including expectations on future events, are represented in today prices whereas future price trend is driven by the uncertainty. This jeopardizes the efforts put in designing prediction models. To deal with the unpredictability of financial systems, today's portfolio management is largely based on the Markowitz framework which puts more emphasis in the analysis of the market uncertainty and less in the price prediction. The limitation of the Markowitz framework stands in taking very strong ideal assumptions about future returns probability distribution. To address this situation we propose PAGAN, a pioneering methodology based on deep generative models. The goal is modeling the market uncertainty that ultimately is the main factor driving future trends. The generative model learns the joint probability distribution of price trends for a set of financial assets to match the probability distribution of the real market. Once the model is trained, a portfolio is optimized by deciding the best diversification to minimize the risk and maximize the expected returns observed over the execution of several simulations. Applying the model for analyzing possible futures, is as simple as executing a Monte Carlo simulation, a technique very familiar to finance experts. The experimental results on different portfolios representing different geopolitical areas and industrial segments constructed using real-world public data sets demonstrate promising results.

研究の動機と目的

• 高い市場効率性の下で、情報の迅速な吸収により価格予測が信頼できないという、従来のポートフォリオ最適化の限界を是正すること。
• 複雑な非線形的依存関係と市場の不確実性を捉えることのできる、金融資産リターンの同時確率分布をモデル化すること。
• 複数の現実的な将来の市場シナリオをシミュレートすることで、強固なポートフォリオ分散化を可能にする生成モデル手法を開発すること。
• ユーザーが所望するリスク水準を選択し、それに応じた最適な分散戦略を提供する、リスクを標的とした最適化フレームワークを提供すること。
• 異なる市場と投資期間において、実世界の金融データセットを用いて、提案手法がマークォイツフレームワークを上回ることを実証的に検証すること。

提案手法

• PAGANは、最近の市場状態を条件として、歴史的金融リターンの同時分布をモデル化するための条件付き生成対抗ネットワーク（cGAN）を採用する。
• 生成ネットワークは、複数の資産間の非線形的相互作用を捉えることで、合成的で現実的な将来の価格動向を生成する。
• 識別ネットワークは、実際の市場データと生成された合成データを区別することで、敵対的訓練により生成モデルを精錬する。
• トレーニング後、数千の将来のポートフォリオ経路をモンテカルロ方式でシミュレートし、リスクとリターンの分布を推定可能となる。
• ポートフォリオ最適化は、シミュレートされた効率的フロンティア上で、ユーザーが定義したリスク水準に対して期待リターンを最大化する分散重みを選択することで実施される。
• 価格予測を直接行わないで、リターン分布における不確実性のモデル化に焦点を当てることで、効率的市場仮説と整合する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、価格予測に依存せずに、金融時系列における複雑で多次元的な不確実性を効果的に捉えることができるか？
• RQ2 GANベースのポートフォリオ最適化手法は、リスク調整リターンの観点から、古典的マークォイツフレームワークに比べてどのように性能を発揮するか？
• RQ3 提案手法は、異なる市場環境や投資期間において、どの程度の頑健性と再現性を維持するか？
• RQ4 特に高い市場効率性下でも、長期的ポートフォリオ最適化において、モデルは一貫してマークォイツを上回る性能を示せるか？
• RQ5 モデルの性能は、異なる地理的・産業分野の市場セグメントでどのように変動するか？

主な発見

• PAGANは、usgenポートフォリオにおいて、テストされたすべての設定でマークォイツモデルをリスク調整リターン（シャープレシオ）の観点から一貫して上回る。
• eucarポートフォリオでは、短期間はマークォイツと同等のパフォーマンスを示すが、20日間の期間では著しく優れる。
• PAGAN2M指標（PAGANがマークォイツを上回るリスク水準の割合）は、投資期間が長くなるに従い増加し、長期的頑健性の優位性を示している。
• PAGANは優れた再現性を示し、特にusgenポートフォリオにおいて、複数の独立してトレーニングされたモデルで一貫した上回り性能を示している。
• モデルが現実的で多様な将来のシナリオを生成できることで、リスク標的型ポートフォリオ最適化が効果的に実現され、従来の平均・分散最適化の実用的代替手段となる。
• 結果から、深層生成モデルによる市場不確実性のモデル化は、ポートフォリオ管理における従来のパrametric仮定よりも実用的で優れた代替手段であることが示された。