[논문 리뷰] Quant GANs: Deep Generation of Financial Time Series

Magnus Wiese, Robert Knobloch외 2명|RePEc: Research Papers in Economics|2019. 07. 15.

Stock Market Forecasting Methods인용 수 15

한 줄 요약

이 논문은 고정밀도로 금융 시계열을 모델링하기 위해 시간적 컬러션 네트워크(TCNs)를 사용하는 양자 GANs(Quant GANs)를 소개한다. 이는 변동성 집합, 레버리지 효과, 그리고 무거운 尾를 정확하게 시뮬레이션할 수 있으며, 위험 중립 가격 책정과의 수학적 일관성을 확보하면서도 GARCH(1,1) 및 표준 GANs보다 분포 및 의존성 측도에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 복잡한 스타일라이즈드 사실들인 변동성 집합과 뚜렷한 꼬리를 반영하는 데이터 기반의 딥러닝 기반 경로 시뮬레이터를 개발하는 것.
• GANs 내에서 순환 신경망(RNNs)의 한계를 해결하기 위해 장기적 의존성 모델링과 학습 안정성 향상을 위해 시간적 컬러션 네트워크(TCNs)를 활용하는 것.
• 위험 중립 가격 책정과의 수학적 일관성을 확보하기 위해, 마팅게일 측도로의 명시적 전환을 허용하는 생성기 아키텍처(SVNN)를 구성하는 것.
• 실제 시장 데이터(S&P 500, 2009–2018)를 바탕으로 GARCH(1,1)와 같은 전통적 모델과의 비교를 통해 포괄적인 통계 지표로 제안된 모델을 평가하는 것.
• TCN 기반 생성기가 금융 수익률의 극단적 성질과 의존성 특성을 모두 잘 포착할 수 있음을 입증하는 것.

제안 방법

• Quant GANs의 생성기는 확률적 변동성 신경망(SVNNs)을 기반으로 하며, 이는 드리프트와 변동성에 대해 별도의 TCNs와 노이즈 주입을 위한 혁신 네트워크로 구성된다.
• 시간적 컬러션 네트워크(TCNs)는 장기적 시간 의존성을 모델링하고, 병렬 처리를 가능하게 하며 생성 경로의 정상성을 보장한다.
• 생성기는 위험 중립 측도로의 전환을 명시적으로 설계하여 파생상품 가격 책정 및 헤징 응용 분야에서의 활용을 가능하게 한다.
• 모델은 적대적 학습을 통해 훈련되며, 판별기는 실제 S&P 500 로그 수익률과 생성된 경로를 구분함으로써 생성기를 현실적인 샘플을 생성하도록 유도한다.
• 무거운 꼬리 수익률은 정규화된 가우시안 데이터에 레이먼드 W 변환을 적용하여 모델링하여 생성된 수익률의 현실적인 꼬리 행동을 보장한다.
• 제약 조건이 있는 버전(C-SVNN)은 로그 수익률의 조건부 정규성을 강제하면서도 핵심 의존성 구조를 유지한다.

실험 결과

연구 질문

• RQ1 GAN 프레임워크 내에서 TCN 기반 생성기가 실제 금융 시계열의 분포 및 의존성 특성(예: 변동성 집합, 레버리지 효과)을 정확하게 재현할 수 있는가?
• RQ2 RNNs 대신 TCNs를 사용할 경우 금융 경로 생성에서 학습 안정성 향상과 장기적 의존성 모델링 향상에 기여하는가?
• RQ3 GARCH와 같은 전통적 모델보다 더 높은 정밀도를 보이는 깊이 있는 생성 모델인 Quant GANs가 파생상품 평가를 위한 알려진 위험 중립 측도를 갖는 확률 과정을 유도할 수 있는가?
• RQ4 통계적 정밀도 측도 다수에서 TCN 기반 Quant GANs의 성능이 GARCH(1,1)와 같은 전통적 모델 대비 어떻게 뛰어나게 되는가?
• RQ5 딥러닝 생성 프레임워크 내에서 레이먼드 W 변환을 사용해 무거운 꼬리 수익률을 얼마나 효과적으로 생성할 수 있는가?

주요 결과

• TCN 기반 Quant GAN 생성기는 평가된 모든 지표에서 GARCH(1,1)를 뛰어넘었으며, 지연 1–100에서 지구 이동 거리(EMD) 점수는 2–10배 낮았다.
• EMD(1)에서 TCN는 0.0039로 가장 뛰어난 성능을 보였으며, GARCH(1,1)의 0.0199보다 유의미하게 낮아 분포 정밀도가 뛰어났다.
• 절댓값과 제곱 로그 수익률의 ACF는 TCN가 GARCH(1,1)보다 더 잘 포착했으며, ACF(|·|) 점수는 각각 0.0248 vs. 0.0291이었다.
• 레버리지 효과는 TCN가 정확히 모델링했으며 점수는 0.3291이었고, GARCH(1,1)는 이를 포착하지 못해 점수는 0.4636이었으며, 이는 GARCH 모델의 구조적 한계를 시사한다.
• 제약 조건이 있는 SVNN(C-SVNN)은 전체 TCN와 거의 경쟁 가능한 성능을 보였으며, EMD(1) = 0.0040 및 DY(1) = 19.8523로 구조적 제약 하에서도 뛰어난 안정성을 입증했다.
• 모델은 현실적인 변동성 집합과 구조적 다양성을 반영한 경로를 성공적으로 생성했으며, 로그 경로와 ACF 플롯의 시각적 비교를 통해 이를 확인할 수 있었다.