Market-GAN: Adding Control to Financial Market Data Generation with Semantic Context

要約

金融シミュレーターは、予測の精度を高め、リスクを管理し、戦略的な財務上の意思決定を促進する上で重要な役割を果たします。
金融市場シミュレーション方法論の発展にもかかわらず、既存のフレームワークは特殊なシミュレーション コンテキストに適応するのに苦労することがよくあります。
i) 現在の金融データセットにはコンテキスト ラベルが含まれていないため、課題を特定します。
ii) 現在の技術は、コンテキストを制御として財務データを生成するように設計されていないため、他のモダリティと比較してより高い精度が要求されます。
iii) 金融データの非定常でノイズの多い性質を考慮すると、コンテキストに合わせた忠実度の高いデータを生成する際の固有の困難。
これらの課題に対処するために、私たちの貢献は次のとおりです。 i) 市場ダイナミクスを抽出するために線形回帰と動的タイムワーピング クラスタリングを組み合わせた市場ダイナミクス モデリング手法を活用し、市場ダイナミクス、株価ティッカー、履歴状態をコンテキストとして持つコンテキスト市場データセットを提案しました。
ii) Market-GAN は、コンテキストを使用して制御可能な生成のための敵対的生成ネットワーク (GAN)、低次元の特徴を学習するためのオートエンコーダー、および知識伝達のためのスーパーバイザーを組み込んだ新しいアーキテクチャです。
iii) Market-GAN が複数の目的で本質的な市場分布を確実に把握できるように、2 段階のトレーニング スキームを導入します。
関連する段階では、オートエンコーダーとスーパーバイザーを使用して、敵対的トレーニング段階のためのより適切な初期化を備えたジェネレーターを準備します。
私たちは、調整、忠実度、下流タスクでのデータの有用性、市場の事実を考慮した一連の総合的な評価指標を提案します。
2000 年から 2023 年のダウ ジョーンズ工業平均データを使用して Market-GAN を評価し、4 つの最先端の時系列生成モデルと比較して優れたパフォーマンスを示します。

要約(オリジナル)

Financial simulators play an important role in enhancing forecasting accuracy, managing risks, and fostering strategic financial decision-making. Despite the development of financial market simulation methodologies, existing frameworks often struggle with adapting to specialized simulation context. We pinpoint the challenges as i) current financial datasets do not contain context labels; ii) current techniques are not designed to generate financial data with context as control, which demands greater precision compared to other modalities; iii) the inherent difficulties in generating context-aligned, high-fidelity data given the non-stationary, noisy nature of financial data. To address these challenges, our contributions are: i) we proposed the Contextual Market Dataset with market dynamics, stock ticker, and history state as context, leveraging a market dynamics modeling method that combines linear regression and Dynamic Time Warping clustering to extract market dynamics; ii) we present Market-GAN, a novel architecture incorporating a Generative Adversarial Networks (GAN) for the controllable generation with context, an autoencoder for learning low-dimension features, and supervisors for knowledge transfer; iii) we introduce a two-stage training scheme to ensure that Market-GAN captures the intrinsic market distribution with multiple objectives. In the pertaining stage, with the use of the autoencoder and supervisors, we prepare the generator with a better initialization for the adversarial training stage. We propose a set of holistic evaluation metrics that consider alignment, fidelity, data usability on downstream tasks, and market facts. We evaluate Market-GAN with the Dow Jones Industrial Average data from 2000 to 2023 and showcase superior performance in comparison to 4 state-of-the-art time-series generative models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google