[論文レビュー] Towards Improved Generalization in Financial Markets with Synthetic Data Generation

Brandon Da Silva, Sylvie Shang Shi|arXiv (Cornell University)|May 1, 2019

Stock Market Forecasting Methods被引用数 2

ひとこと要約

本論文は、数百万もの現実的で合理的な市場パスを合成できる生成モデルを提案し、高次元でサンプル数が少ない状況下でもディープラーニングモデルの一般化性能を向上させる。従来の確率過程をはるかに超えた複雑な市場構造を捉えることで、過学習を低減し、分布外性能を向上させる。

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.

研究の動機と目的

• 限られたデータと高次元性のため、金融市場に導入されたディープラーニングモデルの一般化性能が低いという課題に対処すること。
• 希少な金融観測データ上でトレーニングされた大規模なパラメータ空間を持つディープニューラルネットワークが引き起こす過学習を克服すること。
• 従来の標準的確率過程の能力を超えて、現実的で構造的に正確な金融時系列パスを生成できる生成モデルを開発すること。
• 提案された生成フレームワークから得られる数百万の合成市場パスを用いてトレーニングすることで、モデルの頑健性と一般化性能を向上させること。

提案手法

• 著者らは、金融時系列に特化した深層生成モデルを設計し、複雑な時系列依存性や市場ダイナミクスを学習できるようにしている。
• モデルは、非線形依存性やボラティリティクラスタリングを含む、実際の市場データの背後にある統計的・構造的パターンを学習することで、合成パスを生成する。
• 深層ニューラルネットワークを活用して資産リターンの連合分布をモデル化し、歪度、尖度、時間的に変化する相関などの特徴を捉えている。
• 生成フレームワークにより、ディープラーニングモデルのトレーニングに適した、多様かつ現実的な市場シナリオを数百万本生成するデータ拡張が可能である。
• モデルは、実際の市場行動に忠実でありながら分布の一貫性を保つように、履歴市場データ上でエンドツーエンドでトレーニングされている。
• 生成パスの定性的および定量的評価を通じて、本手法が市場構造を捉える点で従来の確率過程を上回っていることが実証された。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、標準的確率過程よりも、実際の市場に内在する真の構造をより効果的に組み込んだ合成金融時系列を生成できるか？
• RQ2 本手法で生成された合成データでトレーニングされたディープラーニングモデルは、サンプル数が少ないが高次元な金融環境下で、一般化性能がどの程度向上するか？
• RQ3 生成されたパスは、実際の市場データに見られるボラティリティクラスタリング、ファットテール、時間的に変化する相関といった主要な統計的特性をどれほど正確に保持しているか？
• RQ4 本モデルから得た合成データの使用は、過学習を低減し、分布外市場条件におけるモデル性能を向上させるか？

主な発見

• 提案された生成モデルは、非線形依存性やボラティリティクラスタリングを含む現実的で合理的な市場ダイナミクスを示す合成金融時系列を効果的に生成した。
• 生成パスは、従来の確率過程がしばしば高次元依存性を捉えられないのに対し、複雑な市場構造をより正確に埋め込んでいる。
• 合成データでトレーニングされたディープラーニングモデルは、過学習が深刻な問題となる低データ環境下でも、一般化性能が向上している。
• 本手法により、数百万本の合成市場パスを用いたトレーニングが可能となり、有効なトレーニングデータサイズが著しく拡大され、過学習のリスクが低減された。
• 生成モデルは、実際の金融時系列に見られる重いテールやリターンの自己相関といった主要な統計的特徴を、ベースラインの確率過程よりも効果的に保持している。
• 本手法により、分布シフトにさらされてもより頑健で、未観測の市場状態にも一般化しやすいディープラーニングモデルが得られた。