[论文解读] A Data-driven Market Simulator for Small Data Environments

H. Bühler, Blanka Horvath+3 more|arXiv (Cornell University)|Jun 21, 2020

Generative Adversarial Networks and Image Synthesis参考文献 58被引用 4

一句话总结

本文提出了一种基于数据驱动的市场模拟器，采用参数简洁的变分自编码器（VAE）结合粗糙路径签名，以在低数据环境下生成逼真的金融时间序列。通过利用领先-滞后变换和基于签名的编码，该模型即使在训练数据极少的情况下也能实现高保真度模拟，优于经典方法，在捕捉典型事实和波动率动态方面表现更优。

ABSTRACT

Neural network based data-driven market simulation unveils a new and flexible way of modelling financial time series without imposing assumptions on the underlying stochastic dynamics. Though in this sense generative market simulation is model-free, the concrete modelling choices are nevertheless decisive for the features of the simulated paths. We give a brief overview of currently used generative modelling approaches and performance evaluation metrics for financial time series, and address some of the challenges to achieve good results in the latter. We also contrast some classical approaches of market simulation with simulation based on generative modelling and highlight some advantages and pitfalls of the new approach. While most generative models tend to rely on large amounts of training data, we present here a generative model that works reliably in environments where the amount of available training data is notoriously small. Furthermore, we show how a rough paths perspective combined with a parsimonious Variational Autoencoder framework provides a powerful way for encoding and evaluating financial time series in such environments where available training data is scarce. Finally, we also propose a suitable performance evaluation metric for financial time series and discuss some connections of our Market Generator to deep hedging.

研究动机与目标

• 开发一种灵活、无需模型假设的市场模拟器，使其在历史金融数据有限的环境中仍能有效运行。
• 解决在训练数据稀缺这一金融领域常见问题时，生成逼真金融时间序列的挑战。
• 整合粗糙路径理论与基于签名的表示方法，以高效编码复杂路径依赖关系。
• 提出一种计算高效的最大均值差异（MMD）度量方法，用于评估真实与生成随机过程之间的相似性。
• 展示该模型在数据匿名化、异常检测和深度对冲应用中的实用性。

提出的方法

• 该方法利用时间序列的领先-滞后变换提取波动率和路径结构，从而实现对金融路径的更好编码。
• 对领先-滞后变换后的路径应用基于签名的编码，以捕捉金融建模中至关重要的非马氏过程与粗糙路径特征。
• 在签名编码后的路径上训练具有低维潜在空间的变分自编码器（VAE），以学习市场动态的生成模型。
• 采用条件VAE以实现基于市场指标（如波动率或收益状态）的路径生成。
• 使用计算高效的MMD度量方法评估真实与合成路径分布之间的统计相似性。
• VAE输出的后处理包括使用逆签名技术将签名解码回时间序列路径。

实验结果

研究问题

• RQ1 当仅有少量训练数据时，基于签名和VAE的生成模型能否产生逼真的金融时间序列？
• RQ2 与基于收益率的标准方法相比，基于签名的编码在建模粗糙波动率和路径依赖关系方面有何改进？
• RQ3 评估合成金融路径统计保真度时，哪些性能度量最为有效？
• RQ4 与经典随机模型相比，该模型在模拟典型事实（如波动率聚集和厚尾）方面表现如何？
• RQ5 在低数据环境下，该模型在深度对冲和数据匿名化方面的适用程度如何？

主要发现

• 即使训练数据有限，该模型生成的合成时间序列在统计特性上仍与真实金融数据高度一致，包括波动率聚集和厚尾收益。
• 基于签名的编码显著提升了模型捕捉粗糙路径特征和路径依赖关系的能力，优于基于收益率的方法。
• 所提出的基于MMD的评估度量能有效量化真实与合成路径分布之间的相似性，实现可靠的性能评估。
• 在S&P 500数据和粗糙波动率模型路径上的数值实验表明，该模型保持了关键典型事实，并在保真度度量上优于基线方法。
• 该模型表现出强大的条件生成能力，可生成对高波动率或低波动率等市场状态有响应的路径。
• 该框架与深度对冲兼容，可在数据稀缺条件下生成逼真的市场情景，用于对冲策略的训练。