Generating Financial Time Series by Matching Random Convolutional Features

현실적인 금융 시계열을 생성하는 것은 학습 데이터가 흔히 단일 과거 경로로 제한되기 때문에 어렵다.

금융 시계열은 흔히 하나의 짧은 과거 경로만 있어 생성 모델이 학습 자료를 외우기 쉽다. 저자들은 실제 자료와 생성 자료의 무작위 합성곱 특징을 맞추는 방식과, 미분 가능한 특징 맵 SOCK를 제안한다. SOCK는 여러 커널의 반응을 부드럽게 경쟁시켜 생성기 학습에 바로 쓸 수 있도록 만든다. 소표본 합성 및 실제 금융 데이터에서 SOCK 기반 생성기는 시그니처 특징과 Diffusion-TS 비교 방법을 꾸준히 앞섰고, 이표본 검정과 분류에서도 기존 비지도 특징 맵과 비슷하거나 더 좋았다. 다만 저차원 단일 경로 데이터와 단순한 생성기에 초점을 맞췄으므로, 데이터가 많거나 구조가 복잡한 환경에서도 같은 이점이 유지되는지는 확인이 필요하다.

핵심 요약

• 이를 완화하기 위해, 최근 접근법들은 실제 시계열과 생성된 시계열의 비학습 특징 표현 간 불일치를 최소화하도록 생성기를 학습시킨다.
• 이 논문은 무작위 SOCK 특징을 매칭하여 학습된 생성기가 다양한 소표본 금융 데이터셋 전반에서 시그니처 및 확산 기반 베이스라인을 일관되게 능가함을 보인다.
• 저자들은 나아가 이표본 가설 검정과 시계열 분류 작업에서 SOCK의 표현력을 입증하는데, 이 작업들에서 SOCK는 기존 비지도 특징 맵과 대등하거나 이를 능가한다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.