[논문 리뷰] MarketGANs: Multivariate financial time-series data augmentation using generative adversarial networks

Jeonggyu Huh, Seungwon Jeong외 3명|arXiv (Cornell University)|2026. 01. 25.

Stock Market Forecasting Methods인용 수 0

한 줄 요약

MarketGANs는 요인 기반 GAN 프레임워크와 시계열 합성 네트워크(TCN) 백본을 제안하여 고차원 다변량 자산 수익률을 생성하고, 데이터 보강 및 포트폴리오 활용을 위해 횡단면 의존성과 시변 위험 요인을 보존합니다.

ABSTRACT

This paper introduces MarketGAN, a factor-based generative framework for high-dimensional asset return generation under severe data scarcity. We embed an explicit asset-pricing factor structure as an economic inductive bias and generate returns as a single joint vector, thereby preserving cross-sectional dependence and tail co-movement alongside inter-temporal dynamics. MarketGAN employs generative adversarial learning with a temporal convolutional network (TCN) backbone, which models stochastic, time-varying factor loadings and volatilities and captures long-range temporal dependence. Using daily returns of large U.S. equities, we find that MarketGAN more closely matches empirical stylized facts of asset returns, including heavy-tailed marginal distributions, volatility clustering, leverage effects, and, most notably, high-dimensional cross-sectional correlation structures and tail co-movement across assets, than conventional factor-model-based bootstrap approaches. In portfolio applications, covariance estimates derived from MarketGAN-generated samples outperform those derived from other methods when factor information is at least weakly informative, demonstrating tangible economic value.

연구 동기 및 목표

• 고차원 자산 수익률 모델링에서 데이터 부족 문제와 점 예측이 아닌 결합 분포 학습의 필요성을 제시한다.
• 자산 가격 요소를 경제적 귀납 바이어스로 내재화한 요인 기반 생성 프레임워크인 MarketGAN을 소개한다.
• 교차 섹션 간 및 시점 간 의존성을 포착하기 위해 신경망으로 시변 요인 로딩과 특이적 변동성을 모델링한다.
• 완전하지 않은 정보성을 가진 요인 정보에서 MarketGAN으로 생성된 데이터가 분포 충실도와 포트폴리오 성과를 향상시킴을 입증한다.

제안 방법

• 수익률 r_t+1을 생성하기 위해 r_t+1 = α_t + β_t F_t+1 + σ_t ⊙ ε_t+1 로 표현된 요인 모형 구조를 사용한다.
• α_t, β_t, σ_t를 시변적 확률적 객체로 만들어 조건부 GAN과 시계열 합성 네트워크(TCN) 백본을 통해 생성한다.
• 생성된 계수를 사후 회귀 추정치에 곱셈 보정으로 고정한다: α_t = α̂_t ⊙ (1 + f_α(…)), β_t = β̂_t ⊙ (1 + f_β(…)), σ_t = σ̂_t ⊙ (1 + f_σ(…)).
• 안정적인 대립 훈련을 위해 그래디언트 패널티가 있는 Wasserstein GAN(WGAN-GP)을 사용한다.
• 수익 경로의 현실성을 평가하기 위해 시퀀스에서 작동하는 TCN 기반 판별기를 사용한다.
• MarketGAN을 결합 수익 분포의 데이터 생성기이자 확률적 계수 요인 모형으로 모두 다룬다.

실험 결과

연구 질문

• RQ1 MarketGAN이 교차 섹션 의존성과 꼬리 동시 움직임을 보존하면서 자산 수익률의 고차원 결합 분포를 학습하고 재현할 수 있는가?
• RQ2 요인 정보가 약하게 유용할 때도 MarketGAN으로 생성된 샘플이 요인모형 기반 부트스트랩 방법에 비해 포트폴리오 관련 지표와 공분산 추정을 개선하는가?
• RQ3 다수 자산에 걸쳐 변동성 클러스터링과 레버리지 효과와 같은 스타일라이즈드 팩트를 MarketGAN이 얼마나 잘 재현하는가?

주요 결과

• MarketGAN은 주변 분포와 고차 모멘트를 밀접하게 일치시키는 합성 수익률을 생성한다.
• 변동성 군집화와 레버리지 효과와 같은 시점 간 스타일라이즈드 팩트를 재현한다.
• MarketGAN은 요인모형 기반 부트스트랩 벤치마크에 비해 교차 섹션 의존성과 꼬리 동시 움직임의 충실도를 크게 향상시킨다.
• MarketGAN 샘플의 공분산 추정은 요인 정보가 약하게 유용할 때 포트폴리오 성과를 우수하게 만든다.
• 이득은 주변 예측을 개선하는 것만이 아니라 일관된 고차원 수익률 분포를 생성하는 데에서 나온다.