Generating Financial Time Series by Matching Random Convolutional Features

기술 요약: 무작위 합성곱 특징 매칭을 통한 금융 시계열 생성

문제 정의
현실적인 금융 시계열 생성은 데이터 희소성 문제에 근본적으로 직면해 있다. 리스크 추정이나 정책 최적화와 같은 많은 금융 응용 분야에서, 학습 데이터는 종종 단 하나의 역사적 경로(예: 8년 동안의 일일 거래 데이터가 제공하는 약 2,000개의 지점)로 제한된다. 이러한 제약 조건 하에서, 적대적 학습 방법(GAN 등)은 판별자가 밑바탕이 되는 분포를 학습하기보다 제한된 학습 샘플을 암기해 버리는 과적합 문제로 인해 자주 실패한다. 최근의 비적대적 접근 방식들은 실제 데이터와 생성된 데이터의 특징 표현(feature representations) 사이의 불일치를 최소화하도록 생성기를 학습시키지만, 기존 방법들은 **경로 시그니처(path signatures)**에 의존한다. 이론적으로는 러프 경로 이론(rough path theory)에 근거하고 있으나, 절단된 시그니처(truncated signatures)는 특히 무작위 합성곱 특징(예: Rocket, Hydra)이 경험적으로 시그니처보다 우수한 성능을 보였던 소규모 샘플 분류 작업에서, 다루기 적절한 깊이 내에서는 관련 시계열 특성을 포착하지 못하는 경우가 많다. 또한, 기존의 무작위 합성곱 특징 맵은 미분 불가능하여, 경사 하강법을 통한 생성 모델 학습 감독을 위해 직접 사용하는 것이 불가능하다.

방법론
저자들은 가장 최근의 $q$개 관측치에 조건화되어 미래 경로를 생성하는 조건부 시계열 생성 프레임워크를 제안한다. 핵심 방법론은 실제 경로와 생성된 경로 사이의 무작위 합성곱 특징의 기대 통계량을 일치시킴으로써 생성기를 학습시키는 것이다.

1. 목적 함수: 고정된 특징 맵 대신, 생성기는 무작위 특징 맵의 분포에 대해 평균을 낸 실제 경로와 생성된 경로의 기대 특징 벡터 간의 평균 제곱 오차(MSE)를 최소화하도록 학습된다:
   $$\min_\theta \mathbb{E}_{\psi \sim \Pi} \left[ \left\| \mathbb{E}_t [f_\psi(x^-_t \oplus x^+_t)] - \mathbb{E}_{t, \hat{x}^+_t \sim p_\theta} [f_\psi(x^-_t \oplus \hat{x}^+_t)] \right\|^2_2 \right]$$
   여기서 $x^-$는 조건부 이력, $x^+$는 실현된 미래, $\hat{x}^+$는 생성된 미래이다. 특징 맵 $f_\psi$는 생성기가 단일 고정 표현을 악용하는 것을 방지하기 위해 학습 중에 재샘플링된다.

2. SOCK (SOft Competing Kernels): 이 접근 방식을 가능하게 하기 위해, 저자들은 완전히 미분 가능한 무작위 합성곱 특징 맵인 SOCK을 도입한다. SOCK는 "Hydra" 아키텍처를 채택하되 이를 생성 모델링에 맞게 수정하였다:

   • 전처리: 입력 경로는 증강(예: 적분 또는 차분된 경로 포함)되고, 정규화되며, 무작위로 투영된다.
   • 그룹화된 무작위 합성곱: 경로는 그룹화된 채널들을 가로질러 무작위 커널과 합성곱된다. 채널별 커널을 사용하는 Hydra와 달리, SOCK는 채널 간 의존성을 포착하기 위해 그룹 너비 $W=2$를 사용한다.
   • 미분 가능한 풀링: 표준 Hydra는 커널의 "승리(win)"를 세기 위해 비미분 연산(argmax/argmin)을 사용한다. SOCK는 이를 각 타임 스텝에서의 커널 응답에 대한 소프트맥스(softmax) 함수를 사용하는 **소프트 경쟁(soft competitions)**으로 대체한다. 최종 특징은 승리 확률의 시간적 통계(예: 승리 확률의 표준 편차, "soft-deviation"이라 명명됨)로부터 유도되며, 이를 통해 전체 파이프라인이 입력 경로에 대해 미분 가능하도록 보장한다.

주요 기여

1. 조건부 생성을 위한 무작별 합성곱 특징 매칭: 본 논문은 무작위 합성곱 특징을 매칭하는 것이 조건부 생성기를 학습시키기 위한 실행 가능하고 효과적인 전략임을 입증하며, 시그니처 기반 매칭에 대한 대안을 제시한다.
2. 미분 가능한 무작위 특징 (SOCK): 무작위 합성곱 특징의 높은 표현력과 경사 기반 생성 학습의 요구 사항 사이의 간극을 메우는 SOCK의 도입.
3. 경험적 검증: 저자들은 합성 및 실제 금융 데이터셋에 대한 광범한 평가를 제공하며, SOCK 기반 생성기가 시그니처 기반 및 확산(diffusion) 기반 베이스라인보다 일관되게 우수한 성능을 보임을 보여준다.

결과
저자들은 다섯 가지 합성 데이터셋(자기회귀, 왜도, 헤비 테일, 장기 기억 프로세스 포함)과 일곱 가지 실제 금융 데이터셋(주식, 지수, FX, 크립토 포함)에 대해 방법을 평가하였다.

• 생성 충실도(Generative Fidelity): SOCK 특징으로 학습된 생성기는 모든 데이터셋-지표 쌍에서 가장 좋은 평균 순위(1.49)를 달 기록하였으며, 이는 무작위 시그니처(rSig, 순위 2.80), 절단된 시그니처(Sig), 그리고 Diffusion-TS(DTS)를 능가하는 수치이다.
• 특정 지표: SOCK는 주변 분포(CVM), 자기상관 구조(진동 및 역상관 패턴 포함), 그리고 꼬리 위험 시나리오(PnL tails)를 재현하는 데 탁월했다. 특히, 헤비 테일을 가진 TGH 데이터셋과 장기 기억을 가진 FGN 데이터셋에서 SOCK는 베이스라인을 크게 앞질렀다.
• 판별 작업: 이-표본 가설 검정 및 시계열 분류(UCR 저장소)에서 SOCK는 기존의 최첨단 특징 맵(Hydra 및 MultiRocket 포함)과 대등하거나 이를 능가하는 성능을 보이며, 특징 추출기로서의 표현력을 검증하였다.

의의 및 주장
본 논문은 SOCK가 데이터가 부족한 금융 환경에서 생성 모델을 학습시키기 위한 견고하고 미분 가능한 대안으로서 경로 시그니처를 대체할 수 있음을 주장한다. 무작위 합성곱 특징의 분류에서의 성공적인 경험을 활용하고 이를 소프트 경쟁을 통해 생성으로 변형함으로써, 이 방법은 적대적 학습의 과적합 함정과 절단된 시그니처의 표현력 한계를 피한다. 저자들은 이 접근 방식이 오직 하나의 역사적 경로만을 학습에 사용할 수 있고, 최근 관측치에 조건화되어 미래 경로를 생성해야 하는 실제적인 금융 응용 분야에 특히 적합하다고 강조한다. 또한, 사용된 생성기 아키텍처는 의도적으로 단순하게 설계되었으나, 개선의 핵심은 주로 특징 매칭 전략에서 기인한다고 언급한다. 이 연구는 무작위 합성곱 특징 매칭이 생성 모델링과 판별적 시계열 분석 모두를 위한 유망한 방향임을 시사한다.