High-Quality Synthetic Financial Time-Series using a GAN-Diffusion Framework

技術的概要：GAN–拡散モデルフレームワークを用いた高品質な合成金融時系列データ

問題定義
金融機関は、データの不足、プライバシー制約、および反事実的市場シナリオの必要性に対処するため、合成データへの依存度を高めています。しかし、既存の汎用生成アーキテクチャは、肥厚尾部分布やボラティリティ・クラスターリングなどの「スタイライズド・ファクト」として知られる金融時系列特有の統計的特性を再現することに苦慮しています。現在の手法における重要な限界は、資産間の相関ダイナミクスを正確にモデル化できない点にあります。一部のモデルは特徴量依存性の学習を試みていますが、複数の相関する資産の同時生成をしばしば軽視しており、ポートフォリオ・リスク管理や分散分析に不可欠な現実的な相関構造を欠いた合成データを生み出しています。さらに、多くの既存モデルは計算コストが高く、固定長のシーケンスのみを生成するか、価格と出来高の結合ダイナミクスを捉えられていません。

手法
著者は、条件付きワッサーシュタイン生成敵対ネットワーク（C-WGAN）を拡散モデルと統合する、品質意識型の生成フレームワークを提案します。このアプローチは、主に 2 つのフェーズで構成されます。

1. CoMeTS-GAN（相関多変量時系列 GAN）:

   • アーキテクチャ: 核心は、生成器（$G$）とクリティック（$C$）からなる C-WGAN です。生成器は、拡大率が増加する一連の時系列畳み込みブロックと、最終的な線形層を採用し、$n$ 個の相関する株式の中値と出来高を含む多変量時系列を生成します。自己回帰生成を用いることで、任意の長さのシーケンスを作成します。
   • 条件付け: モデルは、過去の時間ステップ（$\mathbf{x}_{past}$）とノイズベクトル（$\mathbf{z}$）を入力とし、時間的ダイナミクスを捉えるために正弦波位置符号化から導出された時間埋め込みで拡張されます。
   • クリティック設計: クリティックは、2 つの異なる出力を通じて生成サンプルの現実性を評価します。
     • $o_1$: 畳み込み層と線形層から導出された標準的なリアリティ・スコア。
     • $o_2$: 中値と出来高の全ペア（$\binom{2n}{2}$ペア）のピアソン相関係数を処理する専用線形層によって計算される相関スコア。
   • 目的: 最終的なクリティック・スコアは、重み付き和 $o = o_1 + \alpha \cdot o_2$ となります。これにより、生成器はワッサーシュタイン距離を最小化しつつ、明示的にトレーニングデータのクロス相関構造を再現することを学習します。

2. クリティック誘導拡散生成:

   • CoMeTS-GAN でトレーニングされたクリティックは、事前トレーニングされた拡散モデル（具体的には DiffTime）のガイダンス・モジュールとして再利用されます。
   • メカニズム: 拡散サンプリング（ノイズ除去）プロセス中、入力サンプルに対するクリティックの出力の勾配が、生成を誘導するために使用されます。修正されたスコア関数は $\tilde{s} = s(\mathbf{x}_t, t) + w \cdot \nabla_{\mathbf{x}_t} D(\mathbf{x}_t)$ と定義され、ここで $w$ はガイダンス強度を調節します。
   • 機能: これにより、拡散モデルは、拡散モデル自体を再トレーニングすることなく、GAN が学習した相関の現実性に関する理解を活用して、生成サンプルの品質を向上させることができます。

主な貢献

• CoMeTS-GAN アーキテクチャ: 価格と出来高を同時に生成するように設計された、多変量金融時系列専用の軽量 C-WGAN。クリティック内に新しいクロス相関距離メトリクスを導入し、現実的な資産間依存関係を強制します。
• クリティック誘導拡散戦略: トレーニング済み GAN クリティックを最先端の拡散モデルに統合する方法。クリティックは代理分類器として機能し、学習された相関構造を強制するためにノイズ除去プロセスを誘導することで、品質意識型の生成パイプラインを構築します。
• 包括的評価: 合成ベンチマークおよび実在の株式市場データ（DJIA インデックスを含む）の両方において、TimeGAN、COSCI-GAN、GT-GAN などの主要な生成モデルに対してフレームワークを検証しました。
• 反事実的シミュレーション: 資産間の相関ダイナミクスをシフトさせる（例：コカ・コーラとペプシの相関を正から負に反転させる）などの「もしも」シナリオ、または資産間依存関係を維持したまま価格ショックに対応するシナリオをシミュレートする能力を実証しました。

結果

• スタイライズド・ファクト: 生成されたデータは、肥厚尾部リターン分布、集約的正規性、リターンにおける線形自己相関の欠如、ボラティリティ・クラスターリングを含む、主要な金融スタイライズド・ファクトを成功裡に再現しました。また、出来高とボラティリティの間の正の相関も捉えています。
• 相関忠実度: クロス相関距離とワッサーシュタイン距離を用いた定量的分析により、CoMeTS-GAN は、実在の株式ペア（例：KO-PEP、NVDA-KSU）の相関構造を保持する点で、COSCI-GAN や GT-GAN などの汎用モデルを大幅に上回ることが示されました。
• スケーラビリティと効率性: 自己回帰を通じて、24 営業日までの任意の長さの時系列を生成可能であり、これは多くの既存モデルが欠く能力です。トレーニングは効率的で（約 4 時間 20 分）、TimeGAN（約 39 時間）などの複雑な代替手段と比較して優れています。
• 反応性: 摂動実験において、モデルは相関する資産全体に価格ショックを伝播させ、現実的な相関ダイナミクスを維持するために摂動されていない株式の生成を調整する能力を実証しました。
• 拡散ガイダンス: DiffTime モデルに対してクリティックをガイダンスとして適用した結果、合成分布と実在の相関分布の間のワッサーシュタイン距離が大幅に減少し、GAN クリティックが拡散モデルによって生成されたデータの現実性を効果的に向上させることが確認されました。

重要性
本論文は、そのフレームワークが、資産間相関構造を明示的にモデル化する、現実的な株式市場シミュレーションのための軽量かつ応答性の高いソリューションを提供すると主張しています。GAN の速度とドメイン固有の制約処理能力と、拡散モデルの高忠実度サンプル品質を組み合わせることで、著者は既存の汎用アーキテクチャの限界を克服する高品質な合成金融データを生成する道筋を実証しました。トレーニング済み GAN クリティックを再利用して拡散モデルを誘導する能力は、大規模な拡散ネットワークの再トレーニングという計算コストを伴わずに、特定のドメインにおける生成モデルを強化するための柔軟なアプローチを示唆しています。この研究は、データプライバシーと不足が制約となる金融アプリケーションにおいて、より良いリスク評価、ポートフォリオ構築、および反事実的分析を促進することを目的としています。