[논문 리뷰] Towards Realistic Market Simulations: a Generative Adversarial Networks Approach

Andrea Coletta, Matteo Prata외 6명|arXiv (Cornell University)|2021. 10. 25.

Stock Market Forecasting Methods인용 수 4

한 줄 요약

이 논문은 역사적 데이터에서 집합적 시장 행동을 학습하여 실제적인 반응성 있는 시장 시뮬레이션을 생성하는 조건부 생성 적대 신경망(CGAN)-기반 프레임워크를 제안한다. CGAN은 현재 시장 상태를 조건으로 삼는 한 개의 '세계' 에이전트로서 전체 시장을 모델링하여, 실제 오더 부크의 주요 스타일라이즈드 팩트를 재현하는 데에 이전의 수작업 기반 에이전트 기반 모델보다 뛰어난 정확하고 반응적인 시뮬레이션을 가능하게 한다.

ABSTRACT

Simulated environments are increasingly used by trading firms and investment banks to evaluate trading strategies before approaching real markets. Backtesting, a widely used approach, consists of simulating experimental strategies while replaying historical market scenarios. Unfortunately, this approach does not capture the market response to the experimental agents' actions. In contrast, multi-agent simulation presents a natural bottom-up approach to emulating agent interaction in financial markets. It allows to set up pools of traders with diverse strategies to mimic the financial market trader population, and test the performance of new experimental strategies. Since individual agent-level historical data is typically proprietary and not available for public use, it is difficult to calibrate multiple market agents to obtain the realism required for testing trading strategies. To addresses this challenge we propose a synthetic market generator based on Conditional Generative Adversarial Networks (CGANs) trained on real aggregate-level historical data. A CGAN-based "world" agent can generate meaningful orders in response to an experimental agent. We integrate our synthetic market generator into ABIDES, an open source simulator of financial markets. By means of extensive simulations we show that our proposal outperforms previous work in terms of stylized facts reflecting market responsiveness and realism.

연구 동기 및 목표

• 백테스팅의 한계를 해결하기 위해, 거래 에이전트의 행동에 대한 시장의 반응을 모델링하지 못하는 문제를 해결한다.
• 기밀적인 트레이더 전략에 대한 접근이 제한되어 있어 실제적인 에이전트 풀을 校정하기 어려운 문제를 해결한다.
• 실제 시장 역학을 반영하는 가용성 있는 데이터 기반의 합성 시장 행동 생성을 위한 확장 가능한 방법을 개발한다.
• 모의 시장가 실험적 에이전트의 전략에 대해 현실적이면서도 반응적으로 작동하도록 보장한다.
• 통제된 환경에서 실시간 시장과 유사한 조건에서 거래 전략 평가를 위한 에이전트 기반 시뮬레이션의 정밀도를 향상시킨다.

제안 방법

• 실제 집합 수준의 역사적 오더 데이터를 기반으로 CGAN을 훈련시어 시장 상태와 오더 플로우의 공동 분포를 학습한다.
• 현재 시장 상태 특성(예: 매수·매도 격차, 오더 부크 불균형, 가격 추세 등)을 조건으로 삼아 CGAN이 지정가 오더를 생성한다.
• 훈련된 CGAN은 ABIDES 시뮬레이터 내에서 '세계' 에이전트로 작동하여 특정 자산에 대해 모든 시장 참가자의 집합적 행동을 시뮬레이션한다.
• 프레임워크는 오픈소스 에이전트 기반 시장 시뮬레이터인 ABIDES에 통합되어 실험적 에이전트와의 상호작용을 가능하게 한다.
• 모델은 변동성 클러스터링, 꼬리가 두꺼운 분포, 거래량-변동성 상관관계 등 실제 시장의 통계적 특성을 유지한다.
• 시뮬레이션은 오더 부크의 스타일라이즈드 팩트를 사용하여 생성된 시장 트레이스를 역사적 데이터와 비교하여 평가된다.

실험 결과

연구 질문

• RQ1 CGAN 기반 모델은 실제 금융 시장의 통계적 특성을 유지하는 합성 시장 오더 플로우를 생성할 수 있는가?
• RQ2 CGAN 기반 시장 시뮬레이션은 실험적 에이전트의 거래 활동에 대해 실제적인 반응성을 보여주는가?
• RQ3 스타일라이즈드 팩트 측면에서 CGAN 기반 시뮬레이션의 현실성은 최신 기술 수준의 수작업 기반 에이전트 기반 시뮬레이션보다 뛰어나게 되는가?
• RQ4 단일 CGAN 에이전트가 수천 명의 실제 시장 참가자의 집합적 행동을 어느 정도 잘 대체할 수 있는가?
• RQ5 이 프레임워크는 새로운 거래 전략에 대해 실제적인 시장 피드백을 제공하는 '만약에' 분석을 지원할 수 있는가?

주요 결과

• CGAN 기반 프레임워크는 역사적 TSLA 데이터의 1분 레이트 로그 수익률 분포를 가장 잘 재현하며, 기준 IABS 설정보다 뛰어난 성능을 보였다.
• CGAN 시뮬레이션은 시간 지연에 따라 상관관계가 적절히 감소하는 가장 현실적인 변동성 클러스터링 패턴을 보였으며, 실제 시장 행동과 유사하게 나타났다.
• 거래량-변동성 상관관계 측면에서 CGAN 시뮬레이션은 가장 유망한 추세를 보였지만, 역사적 데이터에 비해 약간 왼쪽으로 이동해 있었다.
• CGAN 기반 시뮬레이션은 수익률의 자동상관관계가 가장 낮아 역사적 데이터와 밀접하게 일치했으며, 가격 효율성 측면에서 강력한 현실성을 보였다.
• 0.25-POV 실험적 에이전트의 존재로 인해 중간가격의 측정 가능한 현실적인 변동이 발생했고, 이후 평균 회귀 현상이 관찰되어 시장의 반응성을 입증했다.
• 종합적으로, CGAN 기반 시뮬레이션은 오더 부크 역학의 주요 스타일라이즈드 팩트를 재현하는 데에 두 개의 최신 기술 수준 IABS 설정보다 뛰어난 성능을 보였다.