Riepilogo Tecnico: Una Rete Neurale Grafica Generativa Avversaria per Dati di Serie Temporali Sintetici

Enunciato del Problema

La generazione di dati sintetici di serie temporali finanziarie è fondamentale per affrontare la scarsità di dati, le preoccupazioni relative alla privacy e la necessità di set di addestramento diversificati per migliorare la generalizzazione del modello. Tuttavia, questo compito è ostacolato dalla natura non stazionaria e stocastica dei dati finanziari. I modelli statistici tradizionali (ad esempio, ARIMA, Black-Scholes) si basano spesso su ipotesi di stazionarietà debole e omoschedasticità, che ne limitano l'efficacia nel catturare l'evoluzione della volatilità e le dinamiche di mercato complesse. Sebbene gli approcci di deep learning basati sui dati, in particolare le Reti Generative Avversarie (GAN), abbiano mostrato promesse, i modelli esistenti si concentrano principalmente sulla natura autoregressiva delle serie temporali. Spesso trascurano i pattern geometrici sottostanti e le dipendenze non lineari intrinseche nei dati finanziari, che sono cruciali per modellare accuratamente il rischio e la volatilità.

Metodologia: Il Framework Sig-Graph GAN

Gli autori propongono Sig-Graph GAN, un'architettura innovativa che integra tre componenti distinti per catturare sia le proprietà temporali che quelle geometriche delle serie temporali:

1. Rappresentazione Grafica tramite Grafico di Visibilità:
   Per affrontare la non stazionarietà e catturare le strutture geometriche, il modello trasforma le serie temporali univariate in una rappresentazione grafica utilizzando l'algoritmo del Grafico di Visibilità. In questo approccio, i punti dati diventano nodi e gli archi si formano se esiste una linea di vista chiara tra di essi. Questa trasformazione preserva le proprietà strutturali (ad esempio, periodicità, casualità, caratteristiche frattali) e consente al modello di operare in uno spazio non euclideo senza assumere la stazionarietà.

2. Architettura Neurale Ibrida:
   Il cuore del generatore e del discriminatore è costituito da tre blocchi interconnessi:

   • Blocco Ricorrente: Utilizza reti Long Short-Term Memory (LSTM) per catturare la struttura autoregressiva intrinseca e le dipendenze temporali dei dati.
   • Blocco Geometrico: Impiega Reti Neurali Grafiche (GNN), specificamente Reti di Convoluzione Grafica (GCN), per elaborare la matrice di adiacenza derivata dal grafico di visibilità. Questo blocco apprende informazioni strutturali locali e pattern geometrici aggregando informazioni dai nodi vicini.
   • Blocco Feedforward: Combina le mappe di caratteristiche temporali e geometriche. Somma gli output dei blocchi ricorrente e geometrico (opzionalmente concatenandoli con l'input originale tramite una connessione di salto) e li passa attraverso livelli completamente connessi con attivazioni Parametric Rectified Linear Unit (PReLU) per produrre la previsione finale.

3. Funzioni di Perdita Basate sulle Firme:
   Per valutare la qualità dei dati generati oltre ai semplici errori punto per punto, gli autori introducono funzioni di perdita personalizzate basate sulla Firma della Serie Temporale (un concetto della teoria dei cammini). Gli output grezzi vengono trasformati tramite una trasformazione lead-lag, e vengono calcolate le loro firme troncate (fino al grado 5) e le firme troncate cumulative. Sono definiti due metriche di perdita:

   • Errore Quadratico Medio (MSE): Misura le discrepanze punto per punto tra le firme dei dati reali e quelli generati.
   • Divergenza di Kullback-Leibler (KLD): Misura la disparità tra le distribuzioni di probabilità delle firme.
     Queste perdite mirano a catturare sia gli attributi locali del percorso che le caratteristiche distribuzionali globali.

Contributi Chiave

Il documento delinea tre contributi principali:

1. Architettura Innovativa: L'introduzione di un modello GAN che integra dinamicamente le GNN con le reti LSTM, specificamente progettato per sfruttare sia le proprietà autoregressive che le strutture geometriche per la generazione di dati sintetici.
2. Funzioni di Perdita Personalizzate: La proposta di funzioni di perdita basate sulle firme (MSE e KLD) adattate per il Sig-Graph GAN, consentendo al modello di catturare le discrepanze sia nei valori punto per punto che nelle funzioni di distribuzione di probabilità.
3. Valutazione Completa: Una valutazione rigorosa su tre principali borse valori (S&P 500, Nasdaq Composite e Nikkei 225), che dimostra miglioramenti delle prestazioni rispetto ai benchmark consolidati.

Risultati Sperimentali

Il modello è stato valutato sui prezzi di chiusura giornalieri dal 2010 al 2019 per S&P 500, Nasdaq (IXIC) e Nikkei 225 (N225). I dati sono stati pre-elaborati per calcolare i rendimenti logaritmici e indurre distribuzioni a code grasse.

• Metriche di Prestazione: Lo studio ha utilizzato la Distanza del Trasportatore di Terra (EMD) per misurare la similarità distribuzionale, l'Errore Quadratico Medio Radice (RMSE) sulle firme e un punteggio dell'Effetto Leva.
• Analisi Comparativa: Sig-Graph GAN ha costantemente superato i modelli di base, inclusi Quant GAN (utilizzando TCN), GARCH(1,1) e simulazioni Monte Carlo basate sul Movimento Browniano Geometrico.
  • Il modello ha ottenuto punteggi EMD più bassi, indicando una corrispondenza più stretta con la distribuzione dei rendimenti logaritmici reali.
  • Ha dimostrato una capacità superiore nel replicare l'effetto leva rispetto alla maggior parte dei modelli di base.
  • La scelta della funzione di perdita (MSE vs KLD) ha influenzato le prestazioni a seconda del dataset specifico (ad esempio, KLD ha favorito N225 e IXIC, mentre MSE ha favorito S&P 500).
• Studio di Ablazione: La rimozione del Blocco Geometrico ha portato al degrado delle prestazioni più significativo, confermando l'importanza della cattura dei pattern geometrici. L'impatto del Blocco Geometrico è stato particolarmente pronunciato quando si utilizzava la funzione di perdita KLD.

Significato e Affermazioni

Il documento afferma che Sig-Graph GAN fa avanzare il campo della generazione di serie temporali integrando con successo la modellazione autoregressiva con l'analisi della struttura geometrica. Utilizzando il grafico di visibilità per rappresentare le serie temporali in uno spazio non euclideo e impiegando GNN per apprendere queste strutture, il modello supera i limiti delle ipotesi di stazionarietà presenti nei modelli statistici tradizionali.

Gli autori affermano che questo approccio cattura efficacemente sia l'evoluzione temporale che i pattern geometrici intrinseci (come le caratteristiche frattali) dei dati finanziari. Di conseguenza, il modello genera dati sintetici che replicano più accuratamente le caratteristiche statistiche, le dipendenze temporali e le proprietà distribuzionali (incluse le code grasse e il raggruppamento della volatilità) delle serie temporali finanziarie reali. Il lavoro suggerisce che l'integrazione di pattern geometrici è un passo fondamentale verso una generazione di dati sintetici più robusta per applicazioni finanziarie, sebbene gli autori notino che lavori futuri potrebbero esplorare la sostituzione del componente LSTM con architetture più avanzate come i Transformer.