💰 quantitative finance

Generating Financial Time Series by Matching Random Convolutional Features

Dit artikel introduceert SOCK, een volledig differentieerbare willekeurige convolutionele feature map die generatieve modellen in staat stelt om realistische financiële tijdreeksen te produceren door feature-representaties te matchen, waardoor het bestaande signature-gebaseerde en diffusie-baselines in scenario's met kleine steekproeven overtreft.

Oorspronkelijke auteurs: Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Konrad J. Mueller, Nikita Zozoulenko, Ben Wood, Thomas Cass, Lukas Gonon

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een meesterkok bent die een robot probeert te leren hoe je een perfect gerecht bereidt. Het probleem? Je hebt slechts één enkel recept en één enkele bord eten om de robot te laten zien. Je hebt geen bibliotheek met duizenden gerechten om van te leren.

Als je de robot probeert te leren door simpelweg te zeggen: "Maak het exact zoals dit ene bord," zal de robot waarschijnlijk gewoon dat specifieke bord uit het hoofd leren. De robot zal de smaak of de textuur niet leren; hij zal alleen de foto kopiëren. Dit wordt "overfitting" genoemd, en in de wereld van de financiën is dat een ramp. Als een robot één dag aan geschiedenis van de aandelenmarkt uit zijn hoofd leert, kan hij niet voorspellen wat er morgen zou kunnen gebeuren.

Dit artikel introduceert een nieuwe manier om de robot te leren: SOCK.

Het Probleem: De "Handtekening"-valstrik

Voorheen probeerden wetenschappers robots te leren met een methode genaamd "Signatures" (handtekeningen). Denk aan een handtekening als een zeer gedetailleerde, wiskundige vingerafdruk van de geschiedenis van het voedsel. Het volgt elke draai en elke beweging die de ingrediënten hebben gemaakt.

Het Problek: Met slechts één bord eten raakt de handtekening-methode te verward. Het probeert de specifieke kruimels op het bord te onthouden in plaats van de algemene smaak te leren. Het is alsocht als proberen iemands gezicht te herkennen door elk enkel sproetje op slechts één foto te tellen; als de belichting verandert, kun je die persoon niet meer herkennen.

De Oplossing: De "SOCK"-methode

De auteurs hebben een nieuw hulpmiddel gecreëerd genaamd SOCK (SOft Competing Kernels). Om te begrijpen hoe dit werkt, gebruiken we een nieuwe analogie: De Blinde Proeverij.

In plaats van de robot te vragen om het hele gerecht uit het hoofd te leren, geven de auteurs de robot een set willekeurige, blinde proevers (dit zijn de "random convolutional features").

De Willekeurige Proevers: Stel je voor dat je een zak hebt met 1.000 verschillende, willekeurige smaakprobes. Sommige proeven op "pittigheid", sommige op "zoetheid", sommige op "knapperigheid", maar ze zijn allemaal net iets anders en willekeurig.
De Competitie: Je voert het echte gerecht (de echte aandelenmarktdata) en het nepgerecht van de robot aan deze proevers. De proevers zeggen niet alleen "goed" of "slecht". In plaats daarvan concurreren ze. Ze vragen: "Welk gerecht smaakt meer naar deze specifieke willekeurige smaak?"
De "Zachte" Stem: Bij oudere methoden riepen de proevers: "Winnaar!" (een harde beslissing). Dit is als een scheidsrechter die een plotselinge beslissing neemt waar de robot niet van kan leren. SOCK gebruikt een "zachte" stem. Het is alsof de proevers zeggen: "Het echte gerecht was voor 80% pittig, en het nepgerecht van de robot was voor 75% pittig." Omdat dit een vloeiend, geleidelijk getal is, kan de robot precies leren hoe hij zijn recept moet aanpassen om dichter bij het echte gerecht te komen.

Waarom "SOCK" Speciaal is

De paper beweert dat SOCK een "superkracht" is om drie belangrijke redenen:

Het is Differentieerbaar (Het Gladde Pad): Oude willekeurige testers (zoals de "Rocket"-methode) waren als een lichtschakelaar: aan of uit. Je kon de bereiding van de robot niet vloeiend aanpassen op basis daarvan. SOCK is als een dimmer. Het geeft een vloeiend signaal dat de robot precies vertelt hoe hij zijn volgende zet moet verfijnen om de nepgestelde data er echter uit te laten zien.
Het is Willekeurig maar Betrouwbaar: Omdat de testers willekeurig zijn, kan de robot niet zomaar één specifieke test uit zijn hoofd leren. Hij moet de ware essentie van de data leren om elke willekeurige test te kunnen doorstaan die hem wordt voorgehouden. De paper laat zien dat door de testers tijdens de training constant te veranderen, de robot veel beter leert.
Het Werkt op "One-Shot" Data: Dit is de grote overwinning. De paper testte deze methode op financiële data waarbij ze slechts één enkele historische route hadden (zoals 8 jaar aan dagelijkse aandelenkoersen). Zelfs met deze kleine hoeveelheid data was de door SOCK getrainde robot beter in het genereren van realistische toekomstige scenario's dan de oude "Signature"-methoden of de nieuwere "Diffusion"-methoden.

De Resultaten: Wat Hebben Ze Gevonden?

De auteurs hebben hun methode getest op twee soorten uitdagingen:

Het Genereren van Nepdata (De Kooktest):
- Ze vroegen de robot om toekomstige aandelenkoersen te voorspellen op basis van het verleden.
- Resultaat: De SOCK-robot creëerde nep-aandelenpaden die bijna exact leken op en zich gedroegen als de echte. Het ving de "wiebelingen", de "pieken" en de "lange staarten" (zeldzame, extreme gebeurtenissen) veel beter op dan de concurrentie.
- Analogie: Als de echte aandelenmarkt een hobbelige achtbaan is, maakten de oude robots een gladde, saaie glijbaan. De SOCK-robot bouwde een achtbaan die net zo spannend en onvoorspelbaar aanvoelde als de echte.
Echt van Nep Onderscheiden (De Detective-test):
- Ze testten ook of SOCK goed was in het spotten van het verschil tussen echte en nepdata (een taak genaamd "classificatie").
- Resultaat: SOCK was een top-tier detective. Het kon echte tijdreeksen beter onderscheiden van nep, zelfs beter dan bijna alle andere bestaande methoden, ook al was het primair ontworpen om nepdata te maken.

De Kernboodschap

De paper betoogt dat wanneer je heel weinig data hebt (zoals een enkele geschiedenis van aandelenkoersen), je niet moet proberen de data uit je hoofd te leren. In plaats daarvan moet je SOCK gebruiken: een systeem dat een constant veranderende, willekeurige set van "smaakprobes" gebruikt om een generator zachtjes richting de waarheid te leiden.

Het is alsof je een kind leert om een paard te tekenen, niet door het één perfect plaatje te laten kopiëren, maar door het duizend verschillende, licht vervormde schetsen te geven en te vragen om de gemeenschappelijke "paardheid" in al die schetsen te vinden. Het resultaat is een robot die de geest van de data begrijpt, en niet alleen de pixels.

Technische Samenvatting: Genereren van Financiële Tijdreeksen door het Matchen van Willekeurige Convolutieve Kenmerken

Probleemstelling
De generatie van realistische financiële tijdreeksen wordt fundamenteel bemoeilijkt door dataschaarste. In veel financiële toepassingen, zoals risico-inschatting of beleidsoptimalisatie, is de trainingsdata vaak beperkt tot één enkele historische pad (bijv. acht jaar aan dagelijkse handelsdata levert ~2.000 punten op). Onder dergelijke beperkingen falen adversarial training-methoden (zoals GANs) vaak door overfitting, waarbij de discriminator de beperkte trainingssamples memoriseert in plaats van de onderliggende distributie te leren. Hoewel recente niet-adversariële benaderingen generatoren trainen om de discrepantie tussen de kenmerkrepresentaties van echte en gegenereerde data te minimaliseren, vertrouwen bestaande methoden op pad-signatures. Hoewel theoretisch onderbouwd door de rough path theory, falen afgekapte (truncated) signatures vaak in het vastleggen van relevante tijdreeks-eigenschappen bij beheersbare dieptes, vooral bij classificatietaken met kleine steekproeven waar willekeurige convolutieve kenmerken (bijv. Rocket, Hydra) empirisch beter hebben gepresteerd dan zij. Bovendien zijn bestaande willekeurige convolutieve kenmerkkaarten niet-differentieerbaar, wat direct gebruik voor het superviseren van generatieve modeltraining via gradiëntafdaling verhindert.

Methodologie
De auteurs stellen een raamwerk voor conditionele tijdreeksgeneratie voor waarbij een generator toekomstige paden produceert, geconditioneerd op de meest recente $q$ observaties. De kernmethodologie bestaat uit het trainen van de generator door het matchen van de verwachte statistieken van willekeurige convolutieve kenmerken tussen echte en gegenereerde paden.

Doelfunctie: In plaats van een vaste kenmerkkaart wordt de generator getraind om de gemiddelde kwadratische fout te minimaliseren tussen de verwachte kenmerkvectoren van echte paden en gegenereerde paden, gemiddeld over een distributie van willekeurige kenmerkkaarten:
$\min_\theta \mathbb{E}_{\psi \sim \Pi} \left[ \left\| \mathbb{E}_t [f_\psi(x^-_t \oplus x^+_t)] - \mathbb{E}_{t, \hat{x}^+_t \sim p_\theta} [f_\psi(x^-_t \oplus \hat{x}^+_t)] \right\|^2_2 \right]$
Hier is $x^-$ de conditionele historie, $x^+$ de gerealiseerde toekomst, en $\hat{x}^+$ de gegenereerde toekomst. De kenmerkkaart $f_\psi$ wordt tijdens de training opnieuw gesampled om te voorkomen dat de generator een enkele vaste representatie exploiteert.
SOCK (SOft Competing Kernels): Om deze benadering mogelijk te maken, introduceren de auteurs SOCK, een volledig differentieerbare willekeurige convolutieve kenmerkkaart. SOCK past de "Hydra"-architectuur aan, maar modificeert deze voor generatieve modellering:
- Preprocessing: Het invoerpad wordt uitgebreid (bijv. met geïntegreerde of gedifferentieerde paden), genormaliseerd en willekeurig geprojecteerd.
- Georganiseerde Willekeurige Convoluties: Het pad wordt geconvolveerd met willekeurige kernels over gegroepeerde kanalen. In tegen tegenstelling tot de kanaalsgewijze kernels van Hydra, gebruikt SOCK een groepbreedte van $W=2$ om inter-kanaal afhankelijkheden te vangen.
- Differentiabele Pooling: Standaard Hydra gebruikt niet-differentieerbare operaties (argmax/argmin) om het aantal "wins" van kernels te tellen. SOCK vervangt dit door soft competitions met behulp van een softmax-functie over kernel-responses op elk tijdstip. De uiteindelijke kenmerken worden afgeleid van de temporele statistieken van deze win-kansen (bijv. de standaarddeviatie van win-kansen, de zogenaamde "soft-deviation"), wat ervoor zorgt dat de gehele pijplijn differentieerbaar is met betrekking tot het invoerpad.

Belangrijkste Bijdragen

Matching van Willekeurige Convolutieve Kenmerken voor Conditionele Generatie: Het artikel toont aan dat het matchen van willekeurige convolutieve kenmerken een levensvatbare en effectieve strategie is voor het trainen van conditionele generatoren in scenario's met weinig data, als alternatief voor signature-gebaseerd matchen.
Differentiabele Willekeurige Kenmerken (SOCK): De introductie van SOCK, die de kloof overbrugt tussen de hoge expressiviteit van willekeurige convolutieve kenmerken en de vereisten van gradiëntgebaseerde generatieve training.
Empirische Validatie: De auteurs bieden een uitgebreide evaluatie op zowel synthetische als echte financiële datasets, waarbij zij aantonen dat met SOCK-kenmerken getrainde generatoren consequent beter presteren dan signature-gebaseerde en diffusion-gebaseerde baselines.

Resultaten
De auteurs evalueerden hun methode op vijf synthetische datasets (variërend van autoregressieve, scheve, heavy-tailed en long-memory processen) en zeven echte financiële datasets (dekend aandelen, indices, FX en crypto).

Generatieve Getrouwheid: Generatoren getraind met SOCK-kenmerken behaalden de beste gemiddelde rang (1.49) over alle dataset-metriek paren, waarmee zij randomized signatures (rSig, rang 2.80), truncated signatures (Sig) en Diffusion-TS (DTS) overtroffen.
Specifieke Metrieken: SOCK excelleerde in het reproduceren van marginale distributies (CVM), autocorrelatie-structuren (inclusclusief oscillerende en anti-persistente patronen) en tail-risk scenario's (PnL tails). Met name op de TGH-dataset (heavy tails) en FGN (long memory) presteerde SOCK significant beter dan de baselines.
Discriminatieve Taken: In twee-steekproef hypothesetests en tijdreeksclassificatie (UCR repository) matchen of overtreft SOCK bestaande state-of-the-art kenmerkkaarten (inclusief Hydra en MultiRocket), wat de expressiviteit als kenmerk-extractor valideert.

Betekenis en Claims
Het artikel claimt dat SOCK een robuust, differentieerbaar alternatief biedt voor pad-signatures voor het trainen van generatieve modellen in data-arme financiële omgevingen. Door gebruik te maken van het empirische succes van willekeurige convolutieve kenmerken in classificatie en deze aan te passen voor generatie via soft competitions, vermijdt de methode de overfitting-valkuilen van adversarial training en de representatieve beperkingen van afgekapte signatures. De auteurs benadrukken dat deze benadering bijzonder geschikt is voor praktische financiële toepassingen waarbij slechts één enkele historische pad beschikbaar is voor training, en toekomstige paden conditioneel op recente observaties moeten worden gegenereerd. Zij merken op dat hoewel de gebruikte generator-architectuur doelbewust eenvoudig was, de verbeteringen primair voortkomen uit de kenmerk-matching strategie. Het werk suggereert dat het matchen van willekeurige convolutieve kenmerken een veelbelovende richting is voor zowel generatieve modellering als discriminatieve tijdreeksanalyse.