[论文解读] PAGAN: Portfolio Analysis with Generative Adversarial Networks

Giovanni Mariani, Yada Zhu+5 more|RePEc: Research Papers in Economics|Sep 19, 2019

Stock Market Forecasting Methods参考文献 30被引用 6

一句话总结

PAGAN 提出了一种基于生成对抗网络（GAN）的框架，用于建模多维金融时间序列中的市场不确定性，通过蒙特卡洛模拟生成现实的未来价格走势，实现投资组合优化。该方法在不同投资组合中均优于马科维茨模型，尤其在较长投资期限内，通过学习资产之间的复杂非线性依赖关系，而无需依赖价格预测。

ABSTRACT

Since decades, the data science community tries to propose prediction models of financial time series. Yet, driven by the rapid development of information technology and machine intelligence, the velocity of today's information leads to high market efficiency. Sound financial theories demonstrate that in an efficient marketplace all information available today, including expectations on future events, are represented in today prices whereas future price trend is driven by the uncertainty. This jeopardizes the efforts put in designing prediction models. To deal with the unpredictability of financial systems, today's portfolio management is largely based on the Markowitz framework which puts more emphasis in the analysis of the market uncertainty and less in the price prediction. The limitation of the Markowitz framework stands in taking very strong ideal assumptions about future returns probability distribution. To address this situation we propose PAGAN, a pioneering methodology based on deep generative models. The goal is modeling the market uncertainty that ultimately is the main factor driving future trends. The generative model learns the joint probability distribution of price trends for a set of financial assets to match the probability distribution of the real market. Once the model is trained, a portfolio is optimized by deciding the best diversification to minimize the risk and maximize the expected returns observed over the execution of several simulations. Applying the model for analyzing possible futures, is as simple as executing a Monte Carlo simulation, a technique very familiar to finance experts. The experimental results on different portfolios representing different geopolitical areas and industrial segments constructed using real-world public data sets demonstrate promising results.

研究动机与目标

• 解决在市场效率较高的情况下传统投资组合优化的局限性，此时由于信息快速吸收，价格预测不可靠。
• 以捕捉复杂非线性依赖关系和市场不确定性的方式，对金融资产收益的联合概率分布进行建模。
• 开发一种生成建模方法，通过模拟多种现实的未来市场情景，实现稳健的投资组合分散化。
• 提供一种风险目标优化框架，用户可选择期望风险水平，系统将输出最优的分散化策略。
• 在不同市场和投资期限的真实世界金融数据集中，实证验证所提方法相较于马科维茨框架的优越性。

提出的方法

• PAGAN 使用条件生成对抗网络（cGAN）对历史金融收益的联合分布进行建模，条件基于近期市场状态。
• 生成器网络通过捕捉多资产之间的非线性相互作用，学习生成合成的、现实的未来价格走势。
• 判别器网络用于区分真实市场数据与生成的合成数据，从而通过对抗训练优化生成模型。
• 训练完成后，模型可进行类似蒙特卡洛的模拟，生成数千条未来投资组合路径，以估计风险与收益分布。
• 通过在模拟的有效前沿上选择使预期收益最大化的分散化权重，实现投资组合优化，目标风险水平由用户定义。
• 该方法避免直接价格预测，转而聚焦于对收益分布不确定性的建模，与有效市场假说保持一致。

实验结果

研究问题

• RQ1 深度生成模型是否能在不依赖价格预测的前提下，有效捕捉金融时间序列中的复杂多维不确定性？
• RQ2 与经典的马科维茨框架相比，基于 GAN 的投资组合优化方法在风险调整后收益方面的表现如何？
• RQ3 所提方法在不同市场状态和投资期限下，其稳健性与可重复性如何？
• RQ4 该模型是否能在长期投资组合优化中持续优于马科维茨模型，尤其是在市场效率较高的情况下？
• RQ5 模型在不同地理区域和行业市场细分中的表现有何差异？

主要发现

• 在所有测试设置下，PAGAN 在美国通用（usgen）投资组合中系统性优于马科维茨模型，体现在风险调整后收益（夏普比率）方面。
• 对于欧洲汽车（eucar）投资组合，PAGAN 在短期内与马科维茨表现相当，但在 20 天的投资期限内显著优于后者。
• PAGAN2M 指标（衡量 PAGAN 在风险水平中占优的百分比）随投资期限延长而上升，表明其在长期具有更强的稳健性。
• PAGAN 展现出良好的可重复性，多个独立训练的模型均一致实现优于马科维茨的表现，尤其在 usgen 投资组合中。
• 该模型生成现实且多样的未来情景的能力，使其能够实现有效的风险目标投资组合优化，为传统均值-方差优化提供实用替代方案。
• 结果表明，通过深度生成模型建模市场不确定性，是传统参数假设在投资组合管理中的一种可行且更优的替代方案。