[논문 리뷰] Style Transfer with Time Series: Generating Synthetic Financial Data

Brandon Da Silva, Sylvie Shang Shi|arXiv (Cornell University)|2019. 05. 24.

Stock Market Forecasting Methods참고 문헌 24인용 수 6

한 줄 요약

이 논문은 고빈도 경로를 생성하기 위해 노이즈 제거 autoencoder(DAE)를 사용하고, 이를 실제 일간 수익률의 통계적 특성과 일치하도록 스타일 전이 기반의 생성 모델로 개선한다. 이 방법은 비랜덤한 시장 내장 패턴, 예를 들어 자기상관, 왜도, 첨도, 기술적 차트 패턴을 효과적으로 포착하며, GBM 및 GARCH와 같은 확률적 과정보다 분포의 정밀도와 통계적 검증에서 뛰어난 성능을 보인다.

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.

연구 동기 및 목표

• 장기 투자 전략 등 관측치가 적은 상황에서 금융 분야의 딥러닝 학습에 어려움을 해결하기 위해.
• 실제 시장 데이터의 통계적 및 구조적 특성(예: 자기상관, 기술적 패턴)을 유지하는 합성 금융 시계열을 생성하기 위해.
• 비랜덤하고 국소적으로 의존적인 가격 움직임을 모델링하지 못하는 전통적 확률 과정(GBM, GARCH 등)의 한계를 극복하기 위해.
• 수백만 개의 현실적이고 다양한 합성 경로를 생성하여 딥러닝 모델의 견고한 훈련을 가능하게 하기 위해.
• 실제 합성 데이터를 통한 시나리오 기반 리스크 모델링 및 히وري스틱 개발을 향상시키기 위해.

제안 방법

• 고빈도 AUDUSD 매수 가격(2009–2018)을 대상으로 DAE를 훈련하여 현실적인 고빈도 합성 경로를 생성한다.
• 내용 일치(content-matching) 기법을 사용해 생성된 고빈도 경로의 통계적 프로파일(평균, 표준편차, 왜도, 첨도)과 일치하는 실제 일간 수익률 경로를 식별한다.
• 스타일 전이를 통해 생성된 경로를 선택된 실제 일간 경로의 분포적 특성(예: 자기상관, 고차모멘트)에 맞추기 위해 최적화한다.
• 합성 손실을 최소화하는 방식으로 최적화를 수행하며, 이는 αℒC(콘텐츠 손실) + βℒS(스타일 손실)의 조합 손실 함수를 사용한다. 여기서 ℒC는 생성 경로가 콘텐츠 경로와 일치하도록 보장하고, ℒS는 스타일 일치를 강제한다.
• 1D CNN 아키텍처를 활용해 가격 움직임의 국소적 시간적 의존성을 모델링하며, CNN의 계층적 패턴 인식 능력을 유용하게 활용한다.
• 통계적 검증으로는 분산 비율 검정과 콜모고로프-스미르노프(KS) 검정을 사용하여 합성 경로를 실제 일간 수익률과 비교한다.

실험 결과

연구 질문

• RQ1 딥러닝 기반 생성 모델이 랜덤워크 가정을 초월해 실제 시장의 구조를 내재한 합성 금융 시계열을 생성할 수 있는가?
• RQ2 고빈도 DAE로 생성된 경로에 스타일 전이를 적용할 경우, 자기상관 및 고차모멘트와 같은 일간 수익률의 통계적 특성이 효과적으로 전이되는가?
• RQ3 GBM, GARCH와 같은 전통적 확률 과정과 비교해 볼 때, 생성된 합성 경로는 금융 시계열의 비랜덤 패턴을 얼마나 잘 포착하는가?
• RQ4 생성된 경로는 채널, 삼각형과 같은 일반적인 기술적 분석 패턴을 재현할 수 있는가?
• RQ5 합성 데이터가 관측치가 적고 고차원적인 금융 환경에서 딥러닝 모델의 일반화 성능을 어느 정도 향상시키는가?

주요 결과

• 분산 비율 검정에서 역사적 일간 데이터와 DAE로 생성된 고빈도 경로 모두에서 랜덤워크 가설이 기각되었고, 모든 확률 과정(GBM, GARCH)은 기각되지 않았다. 이는 모델이 비랜덤한 국소적 의존성을 효과적으로 포착하고 있음을 시사한다.
• 스타일 전이 후, 합성 일간 경로의 자기상관 범위는 실제 일간 데이터와 일치했으며, 지연(lag)에 관계없이 자기상관 값이 0.00 ± 0.02로 실제 시장 행동과 일치한다.
• 콜모고로프-스미르노프(KS) 검정 결과, 스타일 전이 방법의 p-value는 0.571로, 합성 경로가 실제 일간 수익률과 동일한 분포에서 유래되었을 가능성이 높다는 귀무가설을 기각하지 못했다. 반면 모든 확률 과정은 p-value < 0.05를 기록하여 유의미하게 다를 바가 있었다.
• 스타일 전이 모델은 평균(−0.00009), 표준편차(0.00550), 왜도(0.05), 첨도(0.53) 등 주요 통계 모멘트를 10,000개의 생성 경로에서 효과적으로 일치시켰다.
• 시각적 검토 결과, 생성된 경로는 채널, 삼각형과 같은 일반적인 기술적 패턴을 내재하고 있었으며, 이는 전통적 확률 과정에서 거의 관찰되지 않았다.
• DAE로 생성된 고빈도 경로만으로는 일간 통계적 특성을 충족하지 못했으며, 이는 분포 일치를 위해 스타일 전이가 반드시 필요하다는 점을 입증한다.