Resumo Técnico: Uma Rede Neural de Grafos Generativa Adversarial para Dados de Séries Temporais Sintéticas

Declaração do Problema

A geração de dados sintéticos de séries temporais financeiras é crítica para abordar a escassez de dados, preocupações de privacidade e a necessidade de conjuntos de treinamento diversificados para melhorar a generalização do modelo. No entanto, essa tarefa é dificultada pela natureza não estacionária e estocástica dos dados financeiros. Modelos estatísticos tradicionais (por exemplo, ARIMA, Black-Scholes) frequentemente dependem de pressupostos de estacionariedade fraca e homocedasticidade, o que limita sua eficácia na captura da volatilidade em evolução e de dinâmicas de mercado complexas. Embora abordagens de aprendizado profundo orientadas por dados, particularmente Redes Adversariais Generativas (GANs), tenham mostrado promessa, os modelos existentes focam principalmente na natureza autoregressiva das séries temporais. Eles frequentemente negligenciam os padrões geométricos subjacentes e as dependências não lineares inerentes aos dados financeiros, que são cruciais para modelar com precisão o risco e a volatilidade.

Metodologia: O Framework Sig-Graph GAN

Os autores propõem o Sig-Graph GAN, uma arquitetura inovadora que integra três componentes distintos para capturar tanto as propriedades temporais quanto geométricas das séries temporais:

1. Representação em Grafo via Grafo de Visibilidade:
   Para abordar a não estacionariedade e capturar estruturas geométricas, o modelo transforma séries temporais univariadas em uma representação de grafo usando o algoritmo de Grafo de Visibilidade. Nessa abordagem, os pontos de dados tornam-se nós, e as arestas são formadas se existir uma linha de visibilidade clara entre eles. Essa transformação preserva propriedades estruturais (por exemplo, periodicidade, aleatoriedade, características fractais) e permite que o modelo opere em um espaço não euclidiano sem assumir estacionariedade.

2. Arquitetura Neural Híbrida:
   O núcleo do gerador e do discriminador consiste em três blocos interconectados:

   • Bloco Recorrente: Utiliza redes de Memória de Curto e Longo Prazo (LSTM) para capturar a estrutura autoregressiva inerente e as dependências temporais dos dados.
   • Bloco Geométrico: Emprega Redes Neurais de Grafos (GNNs), especificamente Redes de Convolução em Grafos (GCNs), para processar a matriz de adjacência derivada do grafo de visibilidade. Este bloco aprende informações estruturais locais e padrões geométricos agregando informações de nós vizinhos.
   • Bloco Feedforward: Combina os mapas de características temporais e geométricos. Ele soma as saídas dos blocos recorrente e geométrico (opcionalmente concatenando com a entrada original via uma conexão de salto) e as passa por camadas totalmente conectadas com ativações da Unidade Linear Retificada Paramétrica (PReLU) para produzir a previsão final.

3. Funções de Perda Baseadas em Assinaturas:
   Para avaliar a qualidade dos dados gerados além de erros pontuais simples, os autores introduzem funções de perda personalizadas baseadas na Assinatura de Série Temporal (um conceito da teoria de caminhos). As saídas brutas são transformadas via uma transformação lead-lag, e suas assinaturas truncadas (até grau 5) e assinaturas truncadas cumulativas são computadas. Duas métricas de perda são definidas:

   • Erro Quadrático Médio (MSE): Mede discrepâncias pontuais entre as assinaturas dos dados reais e gerados.
   • Divergência de Kullback-Leibler (KLD): Mede a disparidade entre as distribuições de probabilidade das assinaturas.
     Essas perdas visam capturar tanto atributos de caminhos locais quanto características distribucionais globais.

Contribuições Principais

O artigo delineia três contribuições primárias:

1. Arquitetura Inovadora: A introdução de um modelo GAN que integra dinamicamente GNNs com redes LSTM, especificamente projetado para aproveitar tanto propriedades autoregressivas quanto estruturas geométricas para geração de dados sintéticos.
2. Funções de Perda Personalizadas: A proposta de funções de perda baseadas em assinaturas (MSE e KLD) adaptadas para o Sig-Graph GAN, permitindo que o modelo capture discrepâncias tanto em valores pontuais quanto em funções de distribuição de probabilidade.
3. Avaliação Abrangente: Uma avaliação rigorosa em três principais bolsas de valores (S&P 500, Nasdaq Composite e Nikkei 225), demonstrando melhorias de desempenho em relação a benchmarks estabelecidos.

Resultados Experimentais

O modelo foi avaliado sobre preços de fechamento diários de 2010 a 2019 para o S&P 500, Nasdaq (IXIC) e Nikkei 225 (N225). Os dados foram pré-processados para calcular retornos logarítmicos e induzir distribuições de cauda pesada.

• Métricas de Desempenho: O estudo utilizou a Distância do Movimentador de Terra (EMD) para medir similaridade distribucional, Raiz do Erro Quadrático Médio (RMSE) sobre assinaturas e uma pontuação de Efeito de Alavancagem.
• Análise Comparativa: O Sig-Graph GAN superou consistentemente modelos de base, incluindo Quant GAN (usando TCNs), GARCH(1,1) e simulações de Monte Carlo baseadas em Movimento Browniano Geométrico.
  • O modelo alcançou pontuações EMD mais baixas, indicando uma correspondência mais próxima à distribuição de retornos logarítmicos reais.
  • Demonstrou capacidade superior em replicar o efeito de alavancagem em comparação com a maioria das bases.
  • A escolha da função de perda (MSE vs. KLD) influenciou o desempenho dependendo do conjunto de dados específico (por exemplo, KLD favoreceu N225 e IXIC, enquanto MSE favoreceu S&P 500).
• Estudo de Ablação: A remoção do Bloco Geométrico resultou na degradação de desempenho mais significativa, confirmando a importância de capturar padrões geométricos. O impacto do Bloco Geométrico foi particularmente pronunciado ao usar a função de perda KLD.

Significado e Alegações

O artigo afirma que o Sig-Graph GAN avança o campo da geração de séries temporais ao integrar com sucesso modelagem autoregressiva com análise de estrutura geométrica. Ao utilizar o grafo de visibilidade para representar séries temporais em um espaço não euclidiano e empregar GNNs para aprender essas estruturas, o modelo supera as limitações de pressupostos de estacionariedade encontrados em modelos estatísticos tradicionais.

Os autores afirmam que essa abordagem captura efetivamente tanto a evolução temporal quanto os padrões geométricos intrínsecos (como características fractais) dos dados financeiros. Consequentemente, o modelo gera dados sintéticos que replicam com maior precisão as características estatísticas, dependências temporais e propriedades distribucionais (incluindo caudas pesadas e agrupamento de volatilidade) de séries temporais financeiras reais. O trabalho sugere que incorporar padrões geométricos é um passo pivotal para uma geração de dados sintéticos mais robusta para aplicações financeiras, embora os autores observem que trabalhos futuros poderiam explorar substituir o componente LSTM por arquiteturas mais avançadas como Transformers.