[논문 리뷰] A Data-driven Market Simulator for Small Data Environments

H. Bühler, Blanka Horvath외 3명|arXiv (Cornell University)|2020. 06. 21.

Generative Adversarial Networks and Image Synthesis참고 문헌 58인용 수 4

한 줄 요약

이 논문은 낮은 데이터 환경에서 현실적인 금융 시계열을 생성하기 위해 단순한 변분 오토인코더(VAE)와 거친 길이 서명을 조합한 데이터 기반의 시장 시뮬레이터를 제안한다. 리드-레그 변환과 서명 기반 인코딩을 활용함으로써, 훈련 데이터가 극히 적은 상황에서도 고해상도의 시뮬레이션을 달성하며, 전통적인 방법에 비해 스타일리시한 사실과 변동성 역학을 더 잘 포착한다.

ABSTRACT

Neural network based data-driven market simulation unveils a new and flexible way of modelling financial time series without imposing assumptions on the underlying stochastic dynamics. Though in this sense generative market simulation is model-free, the concrete modelling choices are nevertheless decisive for the features of the simulated paths. We give a brief overview of currently used generative modelling approaches and performance evaluation metrics for financial time series, and address some of the challenges to achieve good results in the latter. We also contrast some classical approaches of market simulation with simulation based on generative modelling and highlight some advantages and pitfalls of the new approach. While most generative models tend to rely on large amounts of training data, we present here a generative model that works reliably in environments where the amount of available training data is notoriously small. Furthermore, we show how a rough paths perspective combined with a parsimonious Variational Autoencoder framework provides a powerful way for encoding and evaluating financial time series in such environments where available training data is scarce. Finally, we also propose a suitable performance evaluation metric for financial time series and discuss some connections of our Market Generator to deep hedging.

연구 동기 및 목표

• 제한된 역사적 금융 데이터가 존재하는 환경에서 효과적으로 작동하는 유연하고 모델에 종속되지 않는 시장 시뮬레이터를 개발하는 것.
• 금융 시장에서 훈련 데이터가 부족한 상황에서 현실적인 금융 시계열을 생성하는 데 도전하는 것 — 이는 금융 분야에서 흔한 문제이다.
• 거친 경로 이론과 서명 기반 표현을 통합하여 복잡한 경로 의존성을 효율적으로 인코딩하는 것.
• 실제 및 생성된 확률 과정 간의 유사성을 평가하기 위해 계산 효율성이 높은 최대 평균 차이(MMD) 지표를 제안하는 것.
• 모델의 유용성을 데이터 익명화, 이상 탐지, 딥 헤징 응용 분야에서 입증하는 것.

제안 방법

• 시간 시계열의 리드-레그 변환을 사용하여 변동성과 경로 구조를 추출함으로써 금융 경로의 더 나은 인코딩을 가능하게 한다.
• 리드-레그로 변환된 경로에 서명 기반 인코딩을 적용하여 금융 모델링에 핵심적인 비마르코프 및 거친 경로 특성을 포착한다.
• 낮은 차원의 잠재 공간을 가진 변분 오토인코더(VAE)를 서명 인코딩된 경로에 대해 훈련시켜 시장 역학의 생성 모델을 학습한다.
• 조건부 VAE를 사용하여 변동성 또는 수익률 제도와 같은 시장 지표에 조건화된 경로 생성을 가능하게 한다.
• 실제 및 합성 경로 분포 간의 통계적 유사성을 평가하기 위해 계산 효율성이 높은 MMD 지표를 사용한다.
• VAE 출력의 후처리 단계에서는 역서명 기법을 사용하여 서명을 다시 시간 시계열 경로로 디코딩한다.

실험 결과

연구 질문

• RQ1 소규모 훈련 데이터만 존재하는 조건에서 서명 기반 모델과 VAE를 기반으로 한 생성 모델이 현실적인 금융 시계열을 생성할 수 있는가?
• RQ2 표준 수익률 기반 접근 방식에 비해 서명 기반 인코딩은 거친 변동성과 경로 의존성을 어떻게 향상시키는가?
• RQ3 합성 금융 경로의 통계적 정밀도를 평가하는 데 가장 효과적인 성능 지표는 무엇인가?
• RQ4 전통적인 확률 모델에 비해 제안된 모델은 변동성 클러스터링과 무거운 尾部와 같은 스타일리시한 사실을 어떻게 시뮬레이션하는가?
• RQ5 이 모델은 소규모 데이터 환경에서 딥 헤징과 데이터 익명화에 얼마나 효과적으로 활용될 수 있는가?

주요 결과

• 모델은 훈련 데이터가 극히 적은 상황에서도 실제 금융 데이터의 통계적 성질, 특히 변동성 클러스터링과 무거운 尾部 수익률을 매우 잘 재현하는 합성 시계열을 생성한다.
• 서명 기반 인코딩은 수익률 기반 방법에 비해 거친 경로 특성과 경로 의존성을 포착하는 데 모델의 능력을 크게 향상시킨다.
• 제안된 MMD 기반 평가 지표는 실제 및 합성 경로 분포 간의 유사성을 효과적으로 측정하며, 신뢰할 수 있는 성능 평가가 가능하다.
• S&P 500 데이터와 거친 변동성 모델 경로에 대한 수치 실험 결과, 모델은 핵심적인 스타일리시한 사실을 유지하며 기준 방법에 비해 정밀도 지표에서 뛰어난 성능을 보였다.
• 모델은 강력한 조건부 생성 능력을 보이며, 고변동성 또는 저변동성과 같은 시장 제도에 반응하는 경로 생성이 가능하다.
• 딥 헤징과의 호환성이 뛰어나, 데이터가 부족한 조건에서 헤징 전략을 훈련하기 위한 현실적인 시장 시나리오를 생성할 수 있다.