应用于合成金融场景生成的生成对抗网络
计算金融
2024-05-16 v2 应用统计
摘要
金融业正产生越来越多数据集，投资专业人士可认为这些数据集对金融资产价格有影响。这些数据集最初主要限于交易数据，即价格、市值与成交量。其覆盖现已大幅扩展，纳入例如宏观经济数据、商品供需、资产负债表数据，以及近来的 extra-financial 数据如ESG评分。所保留为有影响因子的这种拓宽对统计建模构成严峻挑战。事实上，这些因子间相关性的不稳定性使得识别构建场景所需的联合律实际上不可能。幸运的是，近年来深度学习领域的惊人进展催生了GAN。GAN是一类生成式机器学习模型，以无监督方式产生与训练数据分布具有相同特征的新数据样本，避免数据假设与人为偏差。本工作中，我们探索GAN用于合成金融场景生成。该试点研究是富士通与Advestis合作的结果，后续将深入探索可受益于所提方案的用例。我们提出一种基于GAN的算法，可复现代表一组股票若干属性(包括但不限于价格、市值、ESG评分、争议评分……)的多元数据。该方法不同于金融文献中的例子，后者主要关注时序资产价格场景的再现。我们还提出若干度量来评估GAN所生成数据的质量。该方法非常契合场景生成，时间方向仅作为从所学分布中抽取数据点的后续(可能带条件)生成自然浮现。我们的方法可仿真高维场景(相较于近期用例中通常采用的特征)，得益于明智的特征工程与选择，网络复杂度得以降低。完整结果将于后续研究呈现。
引用
@article{arxiv.2209.03935,
title = {Generative Adversarial Networks Applied to Synthetic Financial Scenarios Generation},
author = {Matteo Rizzato and Julien Wallart and Christophe Geissler and Nicolas Morizet and Noureddine Boumlaik},
journal= {arXiv preprint arXiv:2209.03935},
year = {2024}
}