Jan, 2024

金融时间序列的深度生成建模与 VaR 应用：一项比较评述

PDF
TL;DR金融服务行业中，根据历史和当前市场环境来预测风险因素分布是市场风险建模和风险价值 (VaR) 模型的关键。本研究应用多个现有的深度生成方法，如 CGAN、CWGAN、Diffusion 和 Signature WGAN，以及提出并测试两种新方法进行条件多步时间序列生成，即编码器 - 解码器 CGAN 和条件 TimeVAE。此外，我们引入了一个全面的框架和一组关键绩效指标 (KPIs)，用于衡量金融建模中生成时间序列的质量。KPIs 包括分布距离、自相关和回测。在历史美元收益曲线数据和从 GARCH 和 CIR 过程模拟的附加数据上测试了所有模型 (HS、参数模型和神经网络)。研究表明，HS、GARCH 和 CWGAN 模型是表现最好的模型。此领域中的未来研究方向也在研究中进行了讨论。
financial services industrymarket risk modelingvalue at risk (var)conditional time series generationfinancial modeling
发现论文，激发创造
  • 通过条件生成式对抗网络进行时间序列模拟

    本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨 GAN 和神经网络与现有统计方法之间的联系，最终展示了 CGAN 在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。

    Apr, 2019

  • 深度学习和 GARCH 模型结合的金融波动率和风险预测

    采用深度学习神经网络和 GARCH 时间序列模型的混合方法来预测金融工具的波动性和风险，研究发现混合模型能够提供更准确的点波动率预测，但不一定能转化为优越的风险预测。

    Oct, 2023

  • 多元股票回报的生成机器学习

    使用机器学习方法生成合成数据的应用越来越普遍，本文探讨了使用现代机器学习方法，特别是条件重要性加权自编码器和条件正态流，来对股票回报进行建模的有效性。研究的主要问题是对 S&P 500 的所有成员进行联合分布建模，结果表明这种生成模型在金融领域有广泛的应用，包括生成逼真的合成数据、波动性和相关性估计、风险分析（例如投资组合的风险价值，VaR）和投资组合优化。

    Nov, 2023

  • Quant GANs: 金融时间序列的深度生成

    使用数据驱动的 Quant GANs 模型结合具有长期依赖性的时间卷积网络 (TCNs) 成功地捕捉金融时间序列中的波动集群、杠杆效应和序列自相关性，并在小、大滞后的分布性质方面表现出色。

    Jul, 2019

  • 多时标概率预测的异构时间序列的协同学习

    本文提出了一种深层条件生成模型，命名为变分协同多视界网络（VSMHN），以捕捉各种异质序列的复杂关系，训练过程使用随机变分推理，并生成更准确、更尖锐和更逼真的概率预测，同时表明建模异步事件序列对于多视界时间序列预测非常重要。

    Jan, 2021

  • 应用生成式预测改进长程时间序列预测

    本文提出一种基于生成对抗网络及变换器的长期时间序列预测方法 (GenF), 证明其在预测方差和偏差上更加平衡，实验数据显示该方法在五个公共数据集上表现显著优于其他方法。

    Dec, 2022

  • 市场运营中的生成概率预测应用

    本文提出了一种新颖的生成式概率预测方法，基于非参数时间序列的 Wiener-Kallianpur 创新表示。在生成人工智能的范式下，提出的预测架构包括一个自编码器，将非参数多变量随机过程转化为规范化的创新序列，根据过去样本的条件概率分布生成未来时间序列样本。提出了一种新颖的深度学习算法，使潜在过程成为具有匹配自编码器输入 - 输出条件概率分布的独立同分布序列。该生成式预测方法具有渐近最优性和结构收敛性质。研究了三个应用领域，包括实时市场操作中的高动态和高波动时间序列：(i) 商业储能参与者的位置边际价格预测，(ii) 互联市场的区域价格差预测，以及 (iii) 频率调节的区域控制误差预测。基于多个独立系统运营商的市场数据的数值研究表明，在概率和点预测指标下，与传统的和基于机器学习的预测技术相比，该方法具有更优越的性能。

    Mar, 2024

  • 利用条件变分自动编码器进行高级信息的股票成交量预测

    使用条件变分编码器（CVAE）改善每日股票交易量时间序列的短期和长期预测任务，生成非线性时间序列的预测，具有更高的准确性和更接近实际数据的相关性拟合度，可用于情景生成和讨论非平稳时间序列的相关性和其他潜在扩展。

    Jun, 2024

  • 变分异方差波动模型

    本研究提出了一种名为 VHVM 的端到端神经网络体系结构，能够对多元金融时间序列中的异方差行为进行建模，并在多元外汇数据集上展示了其对比 GARCH 和 SV 模型的有效性。

    Apr, 2022

  • 将深度生成模型与极值理论相结合的合成危害模拟：一种多元且空间协调的方法

    气候风险和复合灾害的分布对于了解气候风险和指导适应政策至关重要。本研究使用生成对抗网络（GANs）模拟了孟加拉湾的极值风速、显著波高和总降水量，结合传统的极值理论进行尾部推断，为气候风险评估和灾害应对提供了有效的方法。

    Nov, 2023