[논문 리뷰] Towards Improved Generalization in Financial Markets with Synthetic Data Generation

Brandon Da Silva, Sylvie Shang Shi|arXiv (Cornell University)|2019. 05. 01.

Stock Market Forecasting Methods인용 수 2

한 줄 요약

이 논문은 고차원, 저표본 환경에서 딥러닝 모델의 일반화 성능을 향상시키기 위해 수백만 개의 현실적인 시장 경로를 합성하는 생성 모델을 제안한다. 전통적인 확률적 과정을 초월하는 복잡한 시장 구조를 포착함으로써 과적합을 줄이고 분포 외 성능을 향상시킨다.

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

• 제한된 데이터와 고차원성으로 인해 재무 시장에 배포된 딥러닝 모델의 일반화 성능이 떨어지는 문제를 해결하기 위해.
• 희소한 재무 관측치로 훈련될 때 대규모 파rameter 공간을 가진 딥 네트워크에서 발생하는 과적합 문제를 극복하기 위해.
• 표준 확률적 과정의 능력을 초월하여 현실적이고 구조적으로 정확한 재무 시계열 경로를 생성하는 생성 모델을 개발하기 위해.
• 제안된 생성 프레임워크에서 유래한 수백만 개의 합성 시장 경로로 훈련하여 모델의 강건성과 일반화 성능을 향상시키기 위해.

제안 방법

• 저자들은 재무 시계열에 특화된 딥 생성 모델을 설계하여 복잡한 시간적 의존성과 시장 역학을 학습할 수 있도록 했다.
• 모델은 실제 시장 데이터의 잠재적 통계적 및 구조적 패턴을 학습하여 비선형 의존성과 변동성 클러스터링을 포함한 합성 경로를 생성한다.
• 딥 네트워크를 활용해 자산 수익률의 결합 분포를 모델링하여 비대칭성, 첨도, 시간에 따라 변하는 상관관계와 같은 특징을 포착한다.
• 생성 프레임워크는 제안된 생성 프레임워크에서 유래한 수백만 개의 다양한 현실적인 시장 시나리오를 생성함으로써 데이터 증강을 가능하게 한다.
• 모델은 역사적 시장 데이터에 대해 엔드 투 엔드로 훈련되어 실제 시장 행동을 충실하게 반영하면서도 분포 일관성을 유지한다.
• qualitative 및 quantitative 평가를 통한 경로 분석을 통해 전통적인 확률적 과정보다 더 나은 시장 구조 포착 능력을 입증했다.

실험 결과

연구 질문

• RQ1 딥 생성 모델이 표준 확률적 과정보다 진정한 시장의 잠재적 구조를 더 효과적으로 통합한 합성 재무 시계열을 생성할 수 있는가?
• RQ2 이 방법으로 생성된 합성 데이터로 훈련된 딥러닝 모델이 저표본, 고차원 재무 환경에서 일반화 성능을 얼마나 향상시키는가?
• RQ3 생성된 경로가 실제 시장 데이터에 존재하는 변동성 클러스터링, 꼬리가 두꺼운 분포, 시간에 따라 변하는 상관관계와 같은 주요 통계적 특성을 얼마나 잘 유지하는가?
• RQ4 이 모델에서 유래한 합성 데이터의 사용이 과적합을 줄이고 분포 외 시장 조건에서의 모델 성능을 향상시키는가?

주요 결과

• 제안된 생성 모델은 비선형 의존성과 변동성 클러스터링을 포함한 현실적인 시장 역학을 보여주는 합성 재무 시계열을 성공적으로 생성했다.
• 생성된 경로는 기존의 확률적 과정이 높은 차원의 의존성을 포착하지 못하는 데 비해, 더 정확하게 복잡한 시장 구조를 통합한다.
• 합성 데이터로 훈련된 딥러닝 모델은 과적합이 주요 문제인 저표본 환경에서 일반화 성능이 향상됨을 보였다.
• 이 방법은 수백만 개의 합성 시장 경로로 훈련할 수 있어 효과적인 훈련 데이터 크기를 크게 확장하고 과적합 위험을 줄였다.
• 생성 모델은 실제 재무 시계열의 주요 통계적 특징인 무거운 꼬리와 수익률의 자기상관성을 더 잘 유지함으로써 베이스라인 확률적 과정을 능가했다.
• 이 방법은 특히 분포 이동 상황에서의 성능을 향상시키며, 더 강건한 딥러닝 모델을 도출함으로써 미관측 시장 조건으로의 일반화 능력을 향상시켰다.