[논문 리뷰] Wasserstein GAN: Deep Generation applied on Bitcoins financial time series

Samuel Rikli, Daniel Nico Bigler외 2명|arXiv (Cornell University)|2021. 07. 13.

Stock Market Forecasting Methods참고 문헌 18인용 수 4

한 줄 요약

이 논문은 변동성이 높은 가격 움직임의 기본 분포를 학습하기 위해 적대적 훈련을 활용하는 WGAN-GP와 LSTM 아키텍처를 제안한다. 모델은 시각적으로 구분되지 않는 합성 데이터를 생성하지만, 자기상관 및 꼬리 행동과 같은 통계적 성질은 실제 데이터와 유의미한 차이를 보이며, 안정적인 훈련이 이루어졌지만 하이퍼파라미터 최적화의 여지가 있음을 시사한다.

ABSTRACT

Modeling financial time series is challenging due to their high volatility and unexpected happenings on the market. Most financial models and algorithms trying to fill the lack of historical financial time series struggle to perform and are highly vulnerable to overfitting. As an alternative, we introduce in this paper a deep neural network called the WGAN-GP, a data-driven model that focuses on sample generation. The WGAN-GP consists of a generator and discriminator function which utilize an LSTM architecture. The WGAN-GP is supposed to learn the underlying structure of the input data, which in our case, is the Bitcoin. Bitcoin is unique in its behavior; the prices fluctuate what makes guessing the price trend hardly impossible. Through adversarial training, the WGAN-GP should learn the underlying structure of the bitcoin and generate very similar samples of the bitcoin distribution. The generated synthetic time series are visually indistinguishable from the real data. But the numerical results show that the generated data were close to the real data distribution but distinguishable. The model mainly shows a stable learning behavior. However, the model has space for optimization, which could be achieved by adjusting the hyperparameters.

연구 동기 및 목표

• 비트코인과 같은 고변동성 자산을 위한 현실적인 금융 시간열을 생성하는 데 도전하는 것.
• 전통적 모델이 금융 데이터의 비정상성, 뚜렷한 꼬리, 변동성 클러스터링을 다루는 데 한계를 가진다는 것을 극복하는 것.
• WGAN-GP와 LSTM의 성능이 실제 비트코인 가격 움직임의 통계적 및 시간적 동역학을 얼마나 잘 캡처하는지 평가하는 것.
• 데이터 무결성과 프라이버시를 유지하면서 금융 분야에서 심층 생성 모델을 활용한 합성 데이터 생성의 가능성 탐색

제안 방법

• 훈련을 안정화하고 리프시츠 제약 조건을 강제하기 위해 기울기 보정이 있는 워셔스타인 GAN(WGAN-GP)을 사용한다.
• 시간열 데이터의 순차적 의존성을 모델링하기 위해 생성기와 판별기 양쪽에 장기 기억 순환 신경망(LSTM)을 사용한다.
• 생성기는 임의의 노이즈를 합성 비트코인 로그 수익률로 매핑하는 데 학습하고, 판별기(비평가)는 생성된 시퀀스의 현실성 평가를 담당한다.
• 비평가의 기울기 노름이 1에 가까워지도록 기울기 보정이 포함된 최소화-최대화 손실을 사용하여 훈련 안정성을 향상시킨다.
• 역사적 비트코인 일일 로그 수익률을 기반으로 훈련하며, 안정성과 수렴성을 위해 하이퍼파라미터를 조정한다.
• 분포적 및 시간적 정확도 평가를 위해 시각적 비교, QQ-플롯, ACF 분석, 손실 모니터링을 포함한 평가가 수행된다.

실험 결과

연구 질문

• RQ1 WGAN-GP와 LSTM 아키텍처가 실제 시장 동역학과 유사한 합성 비트코인 시간열을 효과적으로 생성할 수 있는가?
• RQ2 생성된 데이터가 뚜렷한 꼬리, 왜도, 변동성 클러스터링과 같은 핵심 통계적 성질을 얼마나 잘 유지하는가?
• RQ3 실제 금융 수익률의 자기상관 구조를 모델이 어느 정도 잘 캡처하는가?
• RQ4 왜 손실 함수가 최소값으로 수렴하는 대신 진동하는 행동을 보이는가?
• RQ5 극단적 가치 행동과 꼬리 특성 측면에서 생성된 데이터는 실제 데이터와 어떻게 비교되는가?

주요 결과

• 생성된 합성 시간열은 실제 비트코인 로그 수익률과 시각적으로 구분되지 않아 강력한 인지적 유사성을 보인다.
• 통계적 비교 결과, 합성 데이터 분포는 왼쪽으로 기울어져 있으며 더 두꺼운 왼쪽 꼬리를 가지며, 이는 이득보다 더 큰 손실을 반영한다.
• 합성 수익률의 ACF는 실제 데이터보다 더 높고 변동성이 더 큰 자기상관을 보이며, 변동성의 강한 지속성을 시사한다.
• 생성기와 판별기의 손실 함수는 최소값 주변에서 안정적으로 수렴하면서도 진동하는 행동을 보이며, 강력한 훈련 역학을 나타낸다.
• 시각적 유사성에도 불구하고 모델은 극단적 외곽치와 꼬리 사건을 완전히 재현하지 못해 통계적 차이가 감지된다.
• 전반적으로 안정적인 학습 행동을 보이지만, 손실의 진동은 하이퍼파라미터 조정 또는 더 긴 훈련을 통해 향상 가능성을 시사한다.