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

기술 요약: GAN–확산 프레임워크를 활용한 고품질 합성 금융 시계열 데이터 생성

문제 제기
금융 기관들은 데이터 부족, 프라이버시 제약, 그리고 반사실적 시장 시나리오에 대한 필요성을 해결하기 위해 점점 더 합성 데이터에 의존하고 있습니다. 그러나 기존 범용 생성 아키텍처는 "스타일라이즈드 팩트 (stylized facts)"로 알려진 금융 시계열의 특정 통계적 특성 (예: 두꺼운 꼬리를 가진 분포, 변동성 군집화) 을 재현하는 데 어려움을 겪고 있습니다. 현재 접근법의 중요한 한계는 자산 간 상관관계 역학을 정확하게 모델링하지 못한다는 점입니다. 일부 모델은 특징 의존성을 학습하려 시도하지만, 종종 여러 개의 상관된 자산을 동시에 생성하는 것을 간과하여 포트폴리오 리스크 관리 및 분산 분석에 필수적인 현실적인 상관관계 구조가 결여된 합성 데이터를 생성합니다. 또한, 많은 기존 모델은 계산 비용이 많이 들거나 고정된 길이의 시퀀스만 생성하거나 가격과 부량의 결합 역학을 포착하지 못합니다.

방법론
저자들은 조건부 Wasserstein 생성 적대 신경망 (C-WGAN) 과 확산 모델 (Diffusion Models) 을 통합한 품질 인식 생성 프레임워크를 제안합니다. 이 접근법은 두 가지 주요 단계로 구성됩니다:

1. CoMeTS-GAN (상관된 다변량 시계열 GAN):

   • 아키텍처: 핵심은 생성기 ($G$) 와 비평가 (Critic, $C$) 로 구성된 C-WGAN 입니다. 생성기는 증가하는 확장 크기 (dilation sizes) 를 가진 일련의 시간적 컨볼루션 블록과 최종 선형 계층을 사용하여 $n$개의 상관된 주식에 대한 다변량 시계열 (중간 가격 및 부량) 을 생성합니다. 임의의 길이를 가진 시퀀스를 생성하기 위해 자기회귀 (auto-regressive) 생성 방식을 사용합니다.
   • 조건부 입력: 모델은 과거 시간 단계 ($\mathbf{x}_{past}$) 와 노이즈 벡터 ($\mathbf{z}$) 를 입력으로 받으며, 시간적 역학을 포착하기 위해 사인파 위치 인코딩에서 파생된 시간 임베딩으로 보강됩니다.
   • 비평가 설계: 비평가는 두 가지 다른 출력을 통해 생성된 샘플의 현실성을 평가합니다:
     • $o_1$: 컨볼루션 및 선형 계층에서 유도된 표준 현실성 점수.
     • $o_2$: 모든 중간 가격 및 부량 쌍 ($\binom{2n}{2}$개의 쌍) 의 피어슨 상관 계수를 처리하는 전용 선형 계층에 의해 계산된 상관관계 점수.
   • 목적: 최종 비평가 점수는 가중 합 $o = o_1 + \alpha \cdot o_2$입니다. 이는 생성기가 Wasserstein 거리를 최소화하면서도 훈련 데이터의 교차 상관관계 구조를 명시적으로 재현하도록 학습하게 합니다.

2. 비평가 유도 확산 생성 (Critic-Guided Diffusion Generation):

   • CoMeTS-GAN 에서 훈련된 비평가는 사전 훈련된 확산 모델 (특히 DiffTime) 을 위한 안내 모듈로 재사용됩니다.
   • 메커니즘: 확산 샘플링 (잡음 제거) 과정에서 입력 샘플에 대한 비평가 출력의 기울기가 생성 방향을 조정하는 데 사용됩니다. 수정된 점수 함수는 $\tilde{s} = s(\mathbf{x}_t, t) + w \cdot \nabla_{\mathbf{x}_t} D(\mathbf{x}_t)$로 정의되며, 여기서 $w$는 안내 강도를 조절합니다.
   • 기능: 이를 통해 확산 모델은 GAN 이 학습한 상관관계 현실성에 대한 이해를 활용하여 확산 모델 자체를 재훈련하지 않고도 생성된 샘플의 품질을 향상시킬 수 있습니다.

주요 기여

• CoMeTS-GAN 아키텍처: 가격과 부량을 동시에 생성하도록 특별히 설계된 경량 C-WGAN 입니다. 비평가 내에 새로운 교차 상관관계 거리 측정법을 도입하여 현실적인 자산 간 의존성을 강제합니다.
• 비평가 유도 확산 전략: 훈련된 GAN 비평가를 최첨단 확산 모델에 통합하는 방법입니다. 비평가는 대리 분류기 역할을 하여 학습된 상관관계 구조를 강제하는 잡음 제거 과정을 안내함으로써 품질 인식 생성 파이프라인을 생성합니다.
• 종합 평가: 이 프레임워크는 합성 벤치마크와 실제 주식 시장 데이터 (DJIA 지수 포함) 에 대해 TimeGAN, COSCI-GAN, GT-GAN 과 같은 주요 생성 모델들과 비교하여 검증되었습니다.
• 반사실적 시뮬레이션: 이 프레임워크는 자산 간 상관관계 역학을 변경하는 (예: 코카콜라와 펩시 간의 상관관계를 양에서 음으로 반전시키는 것) "만약에 (what-if)" 시나리오를 시뮬레이션하거나, 자산 간 의존성을 유지하면서 가격 충격에 반응하는 능력을 보여줍니다.

결과

• 스타일라이즈드 팩트: 생성된 데이터는 두꺼운 꼬리를 가진 수익률 분포, 집계 정규성, 수익률의 선형 자기상관 부재, 변동성 군집화를 포함한 주요 금융 스타일라이즈드 팩트를 성공적으로 재현합니다. 또한 거래 부량과 변동성 간의 양의 상관관계를 포착합니다.
• 상관관계 충실도: 교차 상관관계 거리와 Wasserstein 거리를 사용한 정량적 분석은 CoMeTS-GAN 이 실제 주식 쌍 (예: KO-PEP, NVDA-KSU) 의 상관관계 구조를 보존하는 데 있어 COSCI-GAN 및 GT-GAN 과 같은 범용 모델보다 훨씬 우수함을 보여줍니다.
• 확장성 및 효율성: 이 모델은 자기회귀를 통해 임의의 길이의 시계열 (최대 24 개 거래일) 을 생성할 수 있으며, 이는 많은 기존 모델이 lacking 한 기능입니다. 훈련은 TimeGAN(약 39 시간) 과 같은 복잡한 대안과 비교하여 효율적입니다 (약 4 시간 20 분).
• 반응성: 교란 실험에서 이 모델은 상관된 자산 간에 가격 충격을 전파하고, 현실적인 상관관계 역학을 유지하기 위해 교란되지 않은 주식의 생성을 조정하는 능력을 보여주었습니다.
• 확산 안내: 비평가를 DiffTime 모델의 안내자로 적용하면 합성 및 실제 상관관계 분포 간의 Wasserstein 거리가 크게 감소하여, GAN 비평가가 확산으로 생성된 데이터의 현실성을 효과적으로 향상시킨다는 것이 확인되었습니다.

의의
본 논문은 이 프레임워크가 자산 간 상관관계 구조를 명시적으로 모델링하는 현실적인 주식 시장 시뮬레이션을 위한 경량이고 반응적인 솔루션을 제공한다고 주장합니다. GAN 의 속도와 도메인 특정 제약 처리 능력과 확산 모델의 고품질 샘플 품질을 결합함으로써, 저자들은 기존 범용 아키텍처의 한계를 극복하는 고품질 합성 금융 데이터를 생성하는 경로를 제시합니다. 훈련된 GAN 비평가를 재사용하여 확산 모델을 안내하는 능력은 대규모 확산 네트워크를 재훈련하는 계산 비용 없이 특정 도메인에서 생성 모델을 향상시키기 위한 유연한 접근 방식을 시사합니다. 이 연구는 데이터 프라이버시와 부족이 제약인 금융 응용 분야에서 더 나은 리스크 평가, 포트폴리오 구성, 그리고 반사실적 분석을 촉진하는 것을 목표로 합니다.