[论文解读] Quant GANs: Deep Generation of Financial Time Series

Magnus Wiese, Robert Knobloch+2 more|RePEc: Research Papers in Economics|Jul 15, 2019

Stock Market Forecasting Methods被引用 15

一句话总结

本文提出 Quant GANs，一种使用时间卷积网络（TCNs）建模金融时间序列的生成对抗网络框架，能够高保真地模拟波动率聚集、杠杆效应和厚尾收益。该方法在分布和依赖性度量上优于 GARCH(1,1) 和标准 GANs，同时确保与风险中性定价的数学一致性。

ABSTRACT

Modeling financial time series by stochastic processes is a challenging task and a central area of research in financial mathematics. As an alternative, we introduce Quant GANs, a data-driven model which is inspired by the recent success of generative adversarial networks (GANs). Quant GANs consist of a generator and discriminator function, which utilize temporal convolutional networks (TCNs) and thereby achieve to capture long-range dependencies such as the presence of volatility clusters. The generator function is explicitly constructed such that the induced stochastic process allows a transition to its risk-neutral distribution. Our numerical results highlight that distributional properties for small and large lags are in an excellent agreement and dependence properties such as volatility clusters, leverage effects, and serial autocorrelations can be generated by the generator function of Quant GANs, demonstrably in high fidelity.

研究动机与目标

• 开发一种基于数据驱动的深度学习路径模拟器，用于金融时间序列，以捕捉复杂的典型事实，如波动率聚集和厚尾。
• 通过采用时间卷积网络（TCNs）替代循环网络，解决 GAN 中循环网络的局限性，以改善长程依赖建模和训练稳定性。
• 通过构建允许显式过渡到鞅测度的生成器架构（SVNN），确保与风险中性定价的数学一致性。
• 基于真实市场数据（S&P 500，2009–2018）的全面统计指标，将所提模型与经典模型（如 GARCH(1,1)）进行基准对比。
• 证明基于 TCN 的生成器在捕捉金融收益的边缘分布和依赖结构方面，可超越传统参数化模型。

提出的方法

• Quant GAN 中的生成器基于随机波动率神经网络（SVNNs）构建，其由分别处理漂移和波动率的独立 TCNs，以及用于噪声注入的创新网络组成。
• 时间卷积网络（TCNs）用于建模长程时间依赖性，支持并行化处理，并确保生成路径的平稳性。
• 生成器被显式设计为可过渡至其风险中性测度，从而支持衍生品定价与对冲应用。
• 通过对抗训练进行模型训练：判别器区分真实 S&P 500 对数收益与生成路径，推动生成器产出更逼真的样本。
• 通过在标准化正态数据上应用 Lambert W 变换来建模厚尾收益，确保生成收益具有逼真的尾部行为。
• 约束版本（C-SVNN）强制对数收益的条件正态性，同时保留关键的依赖结构。

实验结果

研究问题

• RQ1 在 GAN 框架中使用基于 TCN 的生成器，能否准确再现真实金融时间序列的分布和依赖特性，如波动率聚集和杠杆效应？
• RQ2 与 RNN 相比，使用 TCNs 是否能提升金融路径生成中的训练稳定性和长程依赖建模能力？
• RQ3 能否构建一种深度生成模型（如 Quant GANs），使得其诱导的随机过程可显式获得已知的风险中性测度，以用于衍生品估值？
• RQ4 在多种统计保真度指标下，基于 TCN 的 Quant GANs 与经典模型（如 GARCH(1,1)）相比表现如何？
• RQ5 Lambert W 变换在深度生成框架中，能在多大程度上用于生成厚尾收益？

主要发现

• 基于 TCN 的 Quant GAN 生成器在所有评估指标中均优于 GARCH(1,1)，在滞后 1–100 时，地球移动距离（EMD）得分低 2–10 倍。
• TCN 在 EMD(1) 上表现最佳，得分为 0.0039，显著低于 GARCH(1,1) 的 0.0199，表明其具有更优的分布保真度。
• ACF（绝对值和平方对数收益）的捕捉效果方面，TCN 优于 GARCH(1,1)，其 ACF(|·|) 得分为 0.0248 对比 0.0291。
• TCN 准确建模了杠杆效应（得分：0.3291），而 GARCH(1,1) 未能捕捉该效应（得分：0.4636），表明 GARCH 模型存在结构性缺陷。
• 约束型 SVNN（C-SVNN）在结构约束下实现了接近全 TCN 的性能，EMD(1) = 0.0040，DY(1) = 19.8523，证明了其在约束下的鲁棒性。
• 该模型成功生成了表现出真实波动率聚集和结构多样性的路径，如对数路径和 ACF 图的可视化对比所示。