[논문 리뷰] Generating Realistic Stock Market Order Streams

Junyi Li, Xitong Wang외 3명|arXiv (Cornell University)|2020. 06. 07.

Generative Adversarial Networks and Image Synthesis참고 문헌 27인용 수 8

한 줄 요약

이 논문은 역사적 의존성을 고유하게 설계된 경매 메커니즘 네트워크를 통해 모델링하고 주문집 상태를 조건부로 포함시켜 고해상도 주식시장 주문 스트림을 생성하는 조건부 워샤르스키 GAN인 Stock-GAN을 제안한다. 통계적 지표와 실제 GOOG 데이터에 대한 스펙트럼 분석을 통해 검증된 결과, VAE 및 DCGAN과 같은 기준 모델보다 더 현실적인 주문 데이터를 생성하는 것으로 나타났으며, 가격 분포의 코모고로프-스미르노프 거리가 0.126으로 나타났다.

ABSTRACT

We propose an approach to generate realistic and high-fidelity stock market data based on generative adversarial networks (GANs). Our Stock-GAN model employs a conditional Wasserstein GAN to capture history dependence of orders. The generator design includes specially crafted aspects including components that approximate the market's auction mechanism, augmenting the order history with order-book constructions to improve the generation task. We perform an ablation study to verify the usefulness of aspects of our network structure. We provide a mathematical characterization of distribution learned by the generator. We also propose statistics to measure the quality of generated orders. We test our approach with synthetic and actual market data, compare to many baseline generative models, and find the generated data to be close to real data.

연구 동기 및 목표

• 복잡한 시간적 및 시장 마이크로구조 의존성을 포착하는 고해상도의 현실적인 주식시장 주문 스트림을 위한 생성 모델을 개발하는 것.
• 실제 시장 데이터의 주요 스타일리시드 팩트(예: 매수/매도 스프레드 동역학 및 주문 도착 패턴)를 재현하지 못하는 기존 모델의 격차를 해소하는 것.
• 특정 도메인의 시장 메커니즘(예: 이중 경매)과 시장 상태(주문집)를 통합한 신경망 아키텍처를 설계하여 생성 품질을 향상시키는 것.
• 생성된 시장 데이터의 현실성 평가를 위한 정량적 통계 집합을 제안하고 검증하는 것.
• 합성 및 실제 시장 데이터(예: 고유동성 주식인 GOOG 포함)에 대한 모델의 효과성을 입증하는 것.

제안 방법

• 모델은 시간에 따라 변화하는 동역학을 포착하기 위해 이전 주문 시퀀스에 따라 조건부로 설정된 조건부 워샤르스키 GAN(WGAN)을 사용한다.
• 생성자는 연속적 이중 경매 메커니즘을 근사하는 사전 훈련된 신경망을 포함하여 현실적인 주문 실행 및 거래 생성을 가능하게 한다.
• 주문집 상태(예: 최우선 매수/매도가, 깊이 등)는 이전 역사와 함께 조건부로 명시적으로 통합되어 순수 주문 역사 외의 시장 마이크로구조를 반영한다.
• 생성자는 유한한 기억 의존성을 가진 확률적 과정을 학습하며, 이는 이전 역사와 주문집 상태를 조건으로 하여 주문 스트림에 대한 조건부 분포로 수학적으로 기술된다.
• 훈련은 훈련 안정성과 생성 품질 향상을 위해 지구 이동 거리(워샤르스키 손실)를 사용하여 수행된다.
• 실제성에 기여하는 요소를 평가하기 위해 CDA 네트워크나 주문집 조건부를 제거한 아블레이션 연구를 수행한다.

실험 결과

연구 질문

• RQ1 GAN 기반 모델은 실제 시장 데이터와 통계적으로 구분되지 않는 주식시장 주문 스트림을 생성할 수 있는가?
• RQ2 생성자 아키텍처에 이중 경매 메커니즘과 주문집 상태를 통합할 경우 생성된 주문 스트림의 현실성은 어떻게 향상되는가?
• RQ3 가격, 수량, 간격 시간, 매수/매도 스프레드 변화 측면에서 생성된 시장 데이터의 정밀도를 가장 잘 포착하는 통계적 지표는 무엇인가?
• RQ4 Stock-GAN은 VAE 및 DCGAN과 같은 기준 모델에 비해 현실적인 시장 역학을 어떻게 더 잘 생성하는가?
• RQ5 CDA 네트워크와 주문집 조건부와 같은 아키텍처 구성 요소가 아블레이션 연구를 통해 모델 성능에 기여하는 정도는 어느 정도인가?

주요 결과

• 실제 GOOG 데이터에서 Stock-GAN은 가격 분포에서 실제 데이터와 가장 낮은 코모고로프-스미르노프(KS) 거리(0.126)를 기록했으며, VAE(0.218) 및 DCGAN(0.181)보다 우수했다.
• 수량 분포 측면에서 Stock-GAN은 KS 거리 0.182를 기록했으며, VAE(0.248) 및 DCGAN(0.471)보다 유의미하게 낮아 더 뛰어난 현실성 포착을 보였다.
• 간격 시간 측면에서 Stock-GAN은 KS 거리 0.066을 기록했으며, VAE(0.835) 및 DCGAN(0.154)보다 훨씬 낮아 더 나은 시간 패턴 재현 능력을 보였다.
• 스펙트럼 분석 결과, CDA 네트워크와 주문집 조건부가 모두 포함된 경우 Stock-GAN의 생성된 매수/매도 스프레드 변화가 실제 데이터와 매우 유사하게 나타났다.
• 아블레이션 연구 결과, CDA 네트워크를 제거할 경우 고주파 성분이 증가해 현실성이 떨어졌으며, 주문집 데이터를 제거할 경우 고주파 성분이 감소해 현실성이 떨어지는 것으로 나타났다.
• 모델은 고유동성 실세계 데이터(예: GOOG의 경우 약 230,000건의 주문)에서도 현실적인 강도 패턴과 매수/매도 동역학을 성공적으로 생성했으며, 모든 평가 지표에서 기준 모델을 능가했다.