[論文レビュー] Quant GANs: Deep Generation of Financial Time Series

Magnus Wiese, Robert Knobloch+2 more|RePEc: Research Papers in Economics|Jul 15, 2019

Stock Market Forecasting Methods被引用数 15

ひとこと要約

この論文は、時間的畳み込みネットワーク（TCNs）を用いた生成的対抗ネットワーク（GAN）フレームワーク、Quant GANsを紹介する。このフレームワークは、高い忠実度で金融時系列をモデル化でき、ボラティリティクラスタリング、レバレッジ効果、重い尾を持つリターンを正確にシミュレート可能である。リスク中立的価格設定と数学的に整合性を保ちながら、分布および依存関係の指標においてGARCH(1,1)および標準的なGANよりも優れた性能を示している。

ABSTRACT

Modeling financial time series by stochastic processes is a challenging task and a central area of research in financial mathematics. As an alternative, we introduce Quant GANs, a data-driven model which is inspired by the recent success of generative adversarial networks (GANs). Quant GANs consist of a generator and discriminator function, which utilize temporal convolutional networks (TCNs) and thereby achieve to capture long-range dependencies such as the presence of volatility clusters. The generator function is explicitly constructed such that the induced stochastic process allows a transition to its risk-neutral distribution. Our numerical results highlight that distributional properties for small and large lags are in an excellent agreement and dependence properties such as volatility clusters, leverage effects, and serial autocorrelations can be generated by the generator function of Quant GANs, demonstrably in high fidelity.

研究の動機と目的

• ボラティリティクラスタリングや重い尾といった複雑なスタイリズドファクトを捉える、データ駆動型でディープラーニングベースのパスシミュレータを構築すること。
• GANにおける再帰型ネットワークの限界を克服するため、長距離依存性のモデリングと訓練安定性を向上させるために、時間的畳み込みネットワーク（TCNs）を採用すること。
• 生成器アーキテクチャ（SVNN）を構築することで、マルティングール測度への明示的移行を可能にし、リスク中立的価格設定と数学的に整合性を保つこと。
• 実市場データ（S&P 500、2009–2018）を用いた包括的な統計的指標を用いて、古典的モデル（GARCH(1,1)）と比較して本モデルの性能をベンチマークすること。
• TCNベースの生成器が、金融リターンの周辺的および依存的性質の両方を、従来のパrametricモデルを上回って捉えることができるかどうかを実証すること。

提案手法

• Quant GANsの生成器は、確率的ボラティリティニューラルネットワーク（SVNNs）で構築されており、ドリフトとボラティリティのそれぞれに別個のTCNに加え、ノイズ注入用のイノベーションネットワークを備えている。
• 時間的畳み込みネットワーク（TCNs）を用いて長距離の時間的依存性をモデル化し、並列処理を可能にするとともに、生成されたパスの定常性を保証している。
• 生成器は、リスク中立的測度への移行を明示的に設計しており、デリバティブの価格設定やヘッジ応用に利用可能である。
• モデルは敵対的訓練により学習される：識別器は、実際のS&P 500の対数リターンと生成されたパスを区別し、生成器が現実的で信頼性の高いサンプルを生成するよう促進する。
• 重い尾を持つリターンは、正規化されたガウス分布データにラムベールW変換を適用することでモデル化され、生成されたリターンにおける現実的な尾の挙動が保証されている。
• 制約付きバージョン（C-SVNN）は、対数リターンの条件付き正規性を強制しながらも、主要な依存構造を維持している。

実験結果

リサーチクエスチョン

• RQ1 GANフレームワークにおけるTCNベースの生成器は、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、実際の金融時系列の分布的および依存的性質を正確に再現できるか？
• RQ2 RNNの代わりにTCNsを採用することで、金融パス生成における訓練安定性および長距離依存性のモデリングが向上するか？
• RQ3 GARCHのような従来のパrametricモデルを上回る、深層生成モデル（例：Quant GANs）を構築できるか？その場合、導出される確率過程が、デリバティブ評価に適した既知のリスク中立的測度を有するか？
• RQ4 統計的忠実度の観点から、TCNベースのQuant GANsは、GARCH(1,1)のような古典的モデルと比較して、複数の指標で優れた性能を示すか？
• RQ5 ラムベールW変換は、深層生成フレームワーク内での重い尾を持つリターンの生成に、どの程度有効に利用できるか？

主な発見

• TCNベースのQuant GAN生成器は、評価されたすべての指標でGARCH(1,1)を上回った。ラグ1～100におけるEarth Mover’s Distance（EMD）スコアは、2～10倍低い水準であった。
• EMD(1)では、TCNが0.0039を記録し、GARCH(1,1)の0.0199よりも顕著に低い水準にあり、分布の忠実度が優れていることを示している。
• 絶対値および二乗対数リターンの自己相関関数（ACF）は、TCNがGARCH(1,1)よりもよく捉えており、ACF(|·|)スコアは0.0248（TCN）と0.0291（GARCH(1,1)）であった。
• レバレッジ効果は、TCNにより正確にモデル化された（スコア：0.3291）が、GARCH(1,1)はこれを捉えられず（スコア：0.4636）、GARCHモデルの構造的限界を示している。
• 制約付きSVNN（C-SVNN）は、完全なTCNとほぼ同等の結果を達成しており、EMD(1) = 0.0040、DY(1) = 19.8523であった。これは、構造的制約下でも高いロバストネスを示している。
• モデルは、実際のボラティリティクラスタリングと構造的多様性を示すパスを成功裏に生成しており、対数パスとACFプロットの視覚的比較で確認された。