[論文レビュー] Style Transfer with Time Series: Generating Synthetic Financial Data

Brandon Da Silva, Sylvie Shang Shi|arXiv (Cornell University)|May 24, 2019

Stock Market Forecasting Methods参考文献 24被引用数 6

ひとこと要約

本稿では、高頻度価格パスを生成するためのノイズ除去オートエンコーダー（DAE）を用い、その後で統計的性質（平均、標準偏差、歪度、尖度）が日足リターンと一致するようにスタイル変換を施すことで、合成的な金融時系列を生成するスタイル変換ベースの生成モデルを提案する。この手法は、自己相関、歪度、尖度、テクニカルチャートパターンなど、ランダムでない市場に埋め込まれたパターンを効果的に捉えており、GBM や GARCH といった確率的過程よりも分布の類似性や統計的検定において優れている。

ABSTRACT

Training deep learning models that generalize well to live deployment is a challenging problem in the financial markets. The challenge arises because of high dimensionality, limited observations, changing data distributions, and a low signal-to-noise ratio. High dimensionality can be dealt with using robust feature selection or dimensionality reduction, but limited observations often result in a model that overfits due to the large parameter space of most deep neural networks. We propose a generative model for financial time series, which allows us to train deep learning models on millions of simulated paths. We show that our generative model is able to create realistic paths that embed the underlying structure of the markets in a way stochastic processes cannot.

研究の動機と目的

• 深層学習における金融分野の限られた学習データ、特に観測数が少ない長期投資戦略の課題に対処すること。
• 実市場データの統計的・構造的特性（自己相関、テクニカルパターンなど）を保持する合成金融時系列を生成すること。
• 自己相関や局所的依存性を正しくモデル化できない従来の確率的過程（例：GBM、GARCH）の限界を克服すること。
• 数百万本のリアルで多様な合成パスを生成することで、深層学習モデルの強固な訓練を可能にすること。
• リアルな合成データを用いたシナリオベースのリスクモデリングおよびヒューリスティック開発の改善。

提案手法

• 2009–2018年の高頻度AUDUSD買付価格を用いて、高頻度の合成パスを生成するためのノイズ除去オートエンコーダー（DAE）を訓練する。
• コンテンツマッチングを用いて、生成された高頻度パスの統計的プロファイル（平均、標準偏差、歪度、尖度）と一致する実際の日足リターンパスを特定する。
• 最適化により生成パスを、選択された実際の日足パスの分布的特性（自己相関、高次モーメントなど）に一致させるスタイル変換を実施する。
• 組み合わせ損失を最小化する最適化を実施：αℒC（コンテンツ損失）＋ βℒS（スタイル損失）、ここでℒC は生成パスがコンテンツパスと一致することを保証し、ℒS はスタイル整合性を強制する。
• 1次元畳み込みニューラルネットワーク（1D CNN）アーキテクチャを用いて価格変動の局所的時間的依存性をモデル化し、CNNの階層的パターン認識能力を活用する。
• 統計的妥当性評価として、分散比検定およびコルモゴロフ–スミルノフ（KS）検定を実施し、合成パスと実際の日足リターンとの比較を実施する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、ランダムウォーク仮説を飛び越えた、現実の市場構造を埋め込んだ合成金融時系列を生成できるか？
• RQ2 高頻度DAEで生成されたパスにスタイル変換を適用することで、自己相関や高次モーメントといった日足リターンの統計的性質が効果的に転送されるか？
• RQ3 生成された合成パスは、従来の確率的過程（例：GBM、GARCH）と比較して、金融時系列における非ランダムなパターンをどれほど正確に捉えられるか？
• RQ4 生成されたパスは、チャネルやトライアングルといった一般的なテクニカル分析パターンを再現できるか？
• RQ5 合成データは、観測数が少ない高次元の金融環境における深層学習モデルの一般化性能をどの程度向上できるか？

主な発見

• 分散比検定では、歴史的日足データおよびDAEで生成された高頻度パスの両方でランダムウォーク仮説が棄却されたが、すべての確率的過程（GBM、GARCH）では棄却されず、モデルが非ランダムな局所的依存性を捉えていることを示している。
• スタイル変換後、合成日足パスは実際の日足データの自己相関範囲と一致し、ラグごとの自己相関値は0.00 ± 0.02の範囲に収まり、実市場行動と整合的であった。
• コルモゴロフ–スミルノフ検定では、スタイル変換手法のp値が0.571であった。帰無仮説（合成パスが実際の日足リターンと同じ分布から抽出されている）は棄却されず、逆にすべての確率的過程ではp値が0.05未満であった。
• スタイル変換モデルは、10,000本の生成パスにおいて、平均（−0.00009）、標準偏差（0.00550）、歪度（0.05）、尖度（0.53）といった主要な統計的モーメントを効果的に再現した。
• 視覚的検証により、生成パスがチャネルやトライアングルといった一般的なテクニカルパターンを埋め込んでいることが確認されたが、確率的過程から生成されたパスではそのようなパターンはほとんど観察されなかった。
• DAEで生成された高頻度パス単体では日付統計的特性と一致しなかったため、分布の整合性を図るためにはスタイル変換が不可欠であることが示された。