[论文解读] Generative AI for Banks: Benchmarks and Algorithms for Synthetic Financial Transaction Data

Fabian Karst, Sook-Yee Chong+4 more|arXiv (Cornell University)|Dec 19, 2024

Stock Market Forecasting MethodsDecision Sciences被引用 3

一句话总结

本文评估了五种生成式AI模型——CTGAN、DoppelGAN、Wasserstein GAN、Financial Diffusion（FinDiff）和TVAE——在生成合成金融交易数据方面的表现，基准测试涵盖保真度、隐私性、效率、生成质量及图结构。CTGAN在整体平衡性上表现最佳，而FinDiff和TVAE在数据复制与增强方面表现突出，DoppelGAN则最适合隐私敏感型应用。

ABSTRACT

The banking sector faces challenges in using deep learning due to data sensitivity and regulatory constraints, but generative AI may offer a solution. Thus, this study identifies effective algorithms for generating synthetic financial transaction data and evaluates five leading models - Conditional Tabular Generative Adversarial Networks (CTGAN), DoppelGANger (DGAN), Wasserstein GAN, Financial Diffusion (FinDiff), and Tabular Variational AutoEncoders (TVAE) - across five criteria: fidelity, synthesis quality, efficiency, privacy, and graph structure. While none of the algorithms is able to replicate the real data's graph structure, each excels in specific areas: DGAN is ideal for privacy-sensitive tasks, FinDiff and TVAE excel in data replication and augmentation, and CTGAN achieves a balance across all five criteria, making it suitable for general applications with moderate privacy concerns. As a result, our findings offer valuable insights for choosing the most suitable algorithm.

研究动机与目标

• 解决由于数据敏感性和监管约束导致在银行领域应用深度学习的挑战。
• 识别适用于生成保留隐私和数据质量的合成金融交易数据的生成式AI算法。
• 在与金融机构相关的关键标准下，对多种最先进模型进行评估。
• 根据特定用例需求（如隐私、数据保真度或效率）提供选择最合适算法的实际指导。

提出的方法

• 基准测试五种领先的表格型生成模型：CTGAN、DoppelGAN、Wasserstein GAN、Financial Diffusion（FinDiff）和Tabular Variational Autoencoders（TVAE）。
• 从五个维度评估模型表现：数据保真度、生成质量、计算效率、隐私保护以及图结构复现能力。
• 使用真实世界的金融交易数据训练并验证合成数据生成过程。
• 应用统计相似性、隐私泄露率和重建准确率等定量指标评估性能。
• 通过测量真实与合成交易网络之间的拓扑相似性，分析图结构的保留程度。
• 开展消融研究，以分离不同模型架构和训练策略带来的性能差异。

实验结果

研究问题

• RQ1 哪种生成式模型能生成与现实世界数据保真度最高的合成金融交易数据？
• RQ2 不同模型在生成逼真交易模式的同时，其隐私保护能力如何？
• RQ3 各模型在生成大规模合成交易数据集时的计算效率如何？
• RQ4 各模型在在多大程度上能够复现真实交易网络的底层图结构？
• RQ5 在一般银行应用中，哪种模型在数据质量、隐私性和效率之间提供了最佳权衡？

主要发现

• CTGAN在所有五项评估标准中均表现出最佳整体平衡，适用于中等隐私关注场景下的通用合成数据生成。
• DoppelGAN在隐私敏感型应用中最为有效，能最大限度减少隐私泄露，同时保持可接受的数据质量。
• FinDiff和TVAE在数据复制与增强方面表现卓越，尤其在保留交易数据中复杂统计模式方面优势明显。
• 无一模型能完全复现真实交易网络的图结构，表明当前金融数据生成建模存在关键局限。
• TVAE和FinDiff在生成多样化且逼真的交易序列方面表现强劲，在某些保真度指标上优于基于GAN的模型。
• 计算效率存在显著差异，TVAE和CTGAN在大规模部署中更具可扩展性，而DoppelGAN和Wasserstein GAN的效率相对较低。