💰 quantitative finance

Generating Financial Time Series by Matching Random Convolutional Features

Dieses Paper führt SOCK ein, eine voll differenzierbare zufällige konvolutionale Feature-Map, die es generativen Modellen ermöglicht, realistische Finanzzeitreihen durch das Abgleichen von Merkmalsrepräsentationen zu erzeugen und dadurch bestehende Signatur-basierte sowie Diffusions-Baselines in Szenarien mit geringer Stichprobengröße übertrifft.

Ursprüngliche Autoren: Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon

Veröffentlicht 2026-06-04

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind ein Meisterkoch, der versucht, einem Roboter das Kochen eines perfekten Gerichts beizubringen. Das Problem? Sie haben nur ein einziges Rezept und einen einzigen Teller mit Essen, um es dem Roboter zu zeigen. Sie verfügen nicht über eine Bibliothek von tausenden von Gerichten, aus denen er lernen kann.

Wenn Sie versuchen, den Roboter einfach nur so zu lehren: „Lass es genau so aussehen wie dieser eine Teller“, wird der Roboter wahrscheinlich nur diesen spezifischen Teller auswendig lernen. Er wird nicht den Geschmack oder die Textur lernen; er wird einfach nur das Bild kopieren. Dies nennt man „Overfitting“ (Überanpassung), und in der Welt der Finanzen ist das eine Katastrophe. Wenn ein Roboter lernt, die Börsenhistorie eines einzelnen Tages auswendig zu lernen, kann er nicht vorhersagen, was morgen passieren könnte.

Dieses Paper stellt eine neue Art und Weise vor, den Roboter zu lehren: SOCK.

Das Problem: Die „Signatur“-Falle

Zuvor versuchten Wissenschaftler, Roboter mithilfe einer Methode namens „Signatures“ (Signaturen) zu lehren. Stellen Sie sich eine Signatur als einen sehr detaillierten, mathematischen Fingerabdruck der Geschichte eines Lebensmittels vor. Sie verfolgt jede Drehung und jede Wendung, die die Zutaten genommen haben.

Das Problem: Mit nur einem Teller voll Essen wird die Signatur-Methode zu verwirrt. Sie versucht, die spezifischen Krümel auf dem Teller auswendig zu lernen, anstatt den allgemeinen Geschmack zu erfassen. Es ist, als würde man versuchen, ein Gesicht zu erkennen, indem man jeden einzelnen Sommersprosse auf einem einzigen Foto zählt; wenn sich das Licht ändert, kann man die Person nicht mehr wiedererkennen.

Die Lösung: Die „SOCK“-Methode

Die Autoren entwickelten ein neues Werkzeug namens SOCK (SOft Competing Kernels). Um zu verstehen, wie es funktioniert, nutzen wir eine neue Analogie: Den Blinden Geschmackstest.

Anstatt den Roboter zu bitten, das ganze Gericht auswendig zu lernen, geben die Autoren dem Roboter eine Reihe von zufälligen, blinden Geschmackstestern (dies sind die „random convolutional features“).

Die zufälligen Tester: Stellen Sie sich vor, Sie haben eine Tasche mit 1.000 verschiedenen, zufälligen Geschmackssonden. Einige schmecken nach „Schärfe“, einige nach „Süße“, einige nach „Knusprigkeit“, aber sie sind alle etwas unterschiedlich und zufällig.
Der Wettbewerb: Sie füttern die echten Tester mit dem echten Gericht (den echten Börsendaten) und dem gefälschten Gericht des Roboters. Die Tester sagen nicht einfach nur „gut“ oder „schlecht“. Stattdessen treten sie gegeneinander an. Sie fragen: „Welches Gericht schmeckt mehr nach dieser spezifischen zufälligen Geschmacksrichtung?“
Die „sanfte“ Abstimmung: Bei älteren Methoden würden die Tester rufen: „Gewinner!“ (eine harte Entscheidung). Das ist wie ein Schiedsrichter, der eine plötzliche Entscheidung trifft, aus der der Roboter nicht lernen kann. SOCK nutzt eine „sanfte“ Abstimmung. Es ist, als würden die Tester sagen: „Das echte Gericht war zu 80 % scharf und das Gericht des Roboters war zu 75 % scharf.“ Da dies eine glatte, graduelle Zahl ist, kann der Roboter genau lernen, wie er sein Rezept anpassen muss, um dem echten näher zu kommen.

Warum „SOCK“ besonders ist

Die Autoren behaupten, dass SOCK aus drei Hauptgründen eine „Superkraft“ ist:

Es ist differenzierbar (Der sanfte Pfad): Alte Zufallstester (wie die „Rocket“-Methode) waren wie ein Lichtschalter: an oder aus. Man konnte die Kochkunst des Roboters nicht sanft anpassen. SOCK ist wie ein Dimmer. Es gibt ein sanftes Signal, das dem Robot exakt sagt, wie er seinen nächsten Schritt feinjustieren muss, damit die gefälschten Daten den echten ähneln.
Es ist zufällig, aber zuverlässig: Da die Tester zufällig sind, kann der Roboter nicht einfach einen spezifischen Test auswendig lernen. Er muss das wahre Wesen der Daten lernen, um jeden zufälligen Test zu bestehen, der auf ihn geworfen wird. Das Paper zeigt, dass der Roboter viel besser lernt, wenn er die Tester während des Trainings ständig verändert.
Es funktioniert mit „One-Shot“-Daten: Das ist der große Gewinn. Die Autoren testeten diese Methode an Finanzdaten, bei denen sie nur einen einzigen historischen Pfad hatten (wie 8 Jahre täglicher Aktienkurse). Selbst mit dieser winzigen Menge an Daten war der mit SOCK trainierte Roboter besser darin, realistische Zukunftsszenarien zu generieren, als die alten „Signature“-Methoden oder die neueren „Diffusion“-Methoden.

Die Ergebnisse: Was haben sie herausgefunden?

Die Autoren testeten ihre Methode bei zwei Arten von Herausforderungen:

Generierung von gefälschten Daten (Der Koch-Test):
- Sie baten den Roboter, zukünftige Aktienkurse basierend auf der Vergangenheit vorherzusagen.
- Ergebnis: Der SOCK-Roboter erzeugte gefälschte Kursverläufe, die fast exakt so aussah und sich fast genauso verhielt wie die echten. Er erfasste die „Wackelbewegungen“, die „Spitzen“ und die „Long Tails“ (seltene, extreme Ereignisse) viel besser als die Konkurrenz.
- Analogie: Wenn der echte Aktienmarkt eine holperige Achterbahn ist, machten die alten Roboter eine glatte, langweilige Rutsche. Der SOCK-Robot baute eine Achterbahn, die sich genauso aufregend und unvorhersehbar anfühlte wie das Original.
Echt von Gefälscht unterscheiden (Der Detektiv-Test):
- Sie testeten auch, ob SOCK gut darin war, den Unterschied zwischen echten und gefälschten Daten zu erkennen (eine Aufgabe namens „Klassifizierung“).
- Ergebnis: SOCK war ein erstklassiger Detektiv. Er konnte echte Zeitreihen besser von gefälschten unterscheiden als fast jede andere bestehende Methode, obwohl er primlich dafür entwickelt wurde, gefälschte Daten zu erzeugen.

Das Fazsit

Die Autoren argumentieren, dass man, wenn man nur sehr wenig Daten hat (wie eine einzige Historie von Aktienkursen), nicht versuchen sollte, die Daten auswendig zu lernen. Stattdessen sollte man SOCK verwenden: ein System, das eine ständig wechselnde, zufällige Reihe von „Geschmackssonden“ nutzt, um einen Generator sanft zur Wahrheit zu führen.

Es ist, als würde man einem Kind beibringen, ein Pferd zu zeichnen, nicht indem man ihm ein einziges perfektes Bild zum Kopieren zeigt, sondern indem man ihm tausend verschiedene, leicht verschwommene Skizzen gibt und ihn bittet, das gemeinsame „Pferde-Wesen“ in all ihnen zu finden. Das Ergebnis ist ein Roboter, der den Geist der Daten versteht, nicht nur die Pixel.

Technisches Resümee: Generierung von Finanzzeitreihen durch Abgleich zufälliger konvolutionaler Merkmale

Problemstellung
Die Generierung realistischer Finanzzeitreihen wird grundlegend durch Datenknappheit erschwert. In vielen Finanzanwendungen, wie etwa der Risikoschätzung oder der Richtlinienoptimierung, sind die Trainingsdaten oft auf einen einzigen historischen Pfad beschränkt (z. B. liefert acht Jahre täglicher Handelsdaten etwa 2.000 Datenpunkte). Unter solchen Einschränkungen scheitern adversarielle Trainingsmethoden (wie GANs) häufig aufgrund von Overfitting, bei dem der Diskriminator die begrenzten Trainingsproben auswendig lernt, anstatt die zugrunde liegende Verteilung zu erlernen. Während jüngste nicht-adversarielle Ansätze Generatoren darauf trainieren, die Diskrepanz zwischen den Merkmalsreprentationen von realen und generierten Daten zu minimieren, verlassen sich bestehende Methoden auf Pfad-Signaturen. Obwohl diese im Rahmen der Rough-Path-Theorie theoretisch fundiert sind, scheitern trunkierte Signaturen oft daran, relevante Eigenschaften von Zeitreihen in handhabbaren Tiefen zu erfassen – insbesondere bei Klassifizierungsaufgaben mit geringem Stichprobenumfang, bei denen zufällige konvolutionale Merkmale (z. B. Rocket, Hydra) empirisch besser abgeschnitten haben als sie. Darüber hinaus sind bestehende zufällige konvolutionale Merkmalskarten nicht differenzierbar, was deren direkte Verwendung zur Überwachung des Trainings generativer Modelle mittels Gradientenabstieg verhindert.

Methodik
Die Autoren schlagen ein Framework für die bedingte Zeitreihengenerierung vor, bei dem ein Generator zukünftige Pfade generiert, die auf den jüngsten $q$ Beobachtungen konditioniert sind. Die Kernmethodik besteht darin, den Generator durch den Abgleich der erwarteten Statistiken von zufälligen konvolutionalen Merkmalen zwischen realen und generierten Pfaden zu trainieren.

Zielfunktion: Anstatt einer festen Merkmalskarte wird der Generator darauf trainiert, den mittleren quadratischen Fehler zwischen den erwarteten Merkmalsvektoren realer Pfade und generierter Pfade zu minimieren, gemittelt über eine Verteilung von zufälligen Merkmalskarten:
$\min_\theta \mathbb{E}_{\psi \sim \Pi} \left[ \left\| \mathbb{E}_t [f_\psi(x^-_t \oplus x^+_t)] - \mathbb{E}_{t, \hat{x}^+_t \sim p_\theta} [f_\psi(x^-_t \oplus \hat{x}^+_t)] \right\|^2_2 \right]$
Hierbei ist $x^-$ die konditionierende Historie, $x^+$ die realisierte Zukunft und $\hat{x}^+$ die generierte Zukunft. Die Merkmalskarte $f_\psi$ wird während des Trainings neu gesampelt, um zu verhindern, dass der Generator eine einzige feste Repräsentation ausnutzt.
SOCK (SOft Competing Kernels): Um diesen Ansatz zu ermöglichen, führen die Autoren SOCK ein, eine vollständig differenzierbare zufällige konvolutionale Merkmalskarte. SOCK adaptiert die „Hydra“-Architektur, modifiziert sie jedoch für die generative Modellierung:
- Vorverarbeitung: Der Pfad wird augmentiert (z. B. durch integrierte oder differenzierte Pfade), normalisiert und zufällig projiziert.
- Gruppierte zufällige Konvolutionen: Der Pfad wird mit zufälligen Kernels über gruppierte Kanäle konvolviert. Im Gegensatz zu Hydras kanalweisen Kernels verwendet SOCK eine Gruppenbreite von $W=2$ , um Inter-Channel-Abhängigkeiten zu erfassen.
- Differenzierbares Pooling: Das Standard-Hydra verwendet nicht-differenzierbare Operationen (Argmax/Argmin), um zu zählen, welche Kernel „gewinnen“. SOCK ersetzt dies durch Soft Competitions mittels einer Softmax-Funktion über die Kernel-Antworten an jedem Zeitschritt. Die endgültigen Merkmale werden aus den temporalen Statistiken dieser Gewinnwahrscheinlichkeiten (z. B. Standardabweichung der Gewinnwahrscheinlichkeiten, bezeichnet als „Soft-Deviation“) abgeleitet, wodurch sichergestellt wird, dass die gesamte Pipeline differenzierbar in Bezug auf den Input-Pfad ist.

Wesentliche Beiträge

Abgleich zufälliger konvoluter Merkmale für die bedingte Generierung: Das Paper zeigt, dass der Abgleich zufälliger konvoluter Merkmale eine praktikable und effektive Strategie für das Training bedingter Generatoren in datenarmen Regimen darstellt und eine Alternative zum Signature-basierten Abgleich bietet.
Differenzierbare Zufallsmerkmale (SOCK): Die Einführung von SOCK schließt die Lücke zwischen der hohen Ausdrucksstärke zufälliger konvoluter Merkmale und den Anforderungen eines gradientenbasierten generativen Trainings.
Empirische Validierung: Die Autoren liefern eine umfassende Evaluierung auf sowohl synthetischen als auch realen Finanzdatensätzen und zeigen, dass SOCK-basierte Generatoren bestehende Signature-basierte und Diffusion-basierte Baselines konsistent übertreffen.

Ergebnisse
Die Autoren evaluierten ihre Methode anhand von fünf synthetischen Datensätzen (die autoregressive, schiefe, heavy-tailed und long-memory Prozesse abdecken) und sieben realen Finanzdatensätzen (die Aktien, Indizes, FX und Krypto abdecken).

Generative Treue: Generatoren, die mit SOCK-Merkmalen trainiert wurden, erreichten die beste durchschnittliche Rangfolge (1.49) über alle Datensatz-Metrik-Paare hinweg und übertrafen damit randomized Signatures (rSig, Rang 2.80), trunkierte Signaturen (Sig) und Diffusion-TS (DTS).
Spezifische Metriken: SOCK zeichnete sich durch die Reproduktion von Randverteilungen (CVM), Autokorrelationsstrukturen (einschließlich oszillatorischer und anti-persistenter Muster) und Tail-Risk-Szenarien (PnL-Tails) aus. Bemerkenswerterweise übertraf SOCK auf dem TGH-Datensatz (Heavy Tails) und FGN (Long Memory) die Baselines signifikant.
Diskriminative Aufgaben: In Zwei-Stichproben-Hypothesentests und Zeitreihenklassifizierung (UCR Repository) erreichte SOCK oder übertraf bestehende State-of-the-Art-Merkmalskarten (einschließlich Hydra und MultiRocket), was seine Ausdrucksstärke als Merkmalsextraktor validiert.

Bedeutung und Ansprüche
Das Paper behauptet, dass SOCK eine robuste, differenzierbare Alternative zu Pfad-Signaturen für das Training generativer Modelle in datenarmen Finanzumgebungen bietet. Durch die Nutzung des empirischen Erfolgs zufälliger konvoluter Merkmale in der Klassifizierung und deren Anpassung für die Generierung via Soft Competitions vermeidet die Methode die Overfitting-Probleme des adversariellen Trainings sowie die repräsentativen Einschränkungen trunkierter Signaturen. Die Autoren betonen, dass dieser Ansatz besonders für praktische Finanzanwendungen geeignet ist, bei denen nur ein einziger historischer Pfad für das Training verfügbar ist und zukünftige Pfade bedingt auf jüngste Beobachtungen generiert werden müssen. Sie merken an, dass die verwendete Generator-Architektur bewusst einfach gehalten wurde und die Verbesserungen primär aus der Merkmalsabgleich-Strategie resultieren. Die Arbeit legt nahe, dass der Abgleich zufälliger konvoluter Merkmale eine vielversprechende Richtung sowohl für die generative Modellierung als auch für die diskriminative Zeitreihenanalyse darstellt.