Генерация финансовых временных рядов: новый подход на стыке вероятности и стохастики

Автор: Денис Аветисян

Исследователи предлагают инновационный метод создания реалистичных синтетических финансовых данных, позволяющий более точно моделировать волатильность и корреляции.

"Покупай на слухах, продавай на новостях". А потом сиди с акциями никому не известной биотех-компании. Здесь мы про скучный, но рабочий фундаментал.

Бесплатный Телеграм канал

Результаты, усреднённые по пяти случайным начальным значениям и представленные с указанием стандартного отклонения, демонстрируют, что производительность на валидационном и тестовом наборах данных напрямую зависит от объёма синтетических данных, сгенерированных методом SBBTS.

В статье представлена унифицированная структура Schrödinger-Bass Bridge для временных рядов (SBBTS), объединяющая принципы оптимального транспорта и генеративного моделирования.

Воспроизведение как маржинальных распределений, так и временной динамики финансовых временных рядов представляет собой сложную задачу в машинном обучении. В данной работе, посвященной разработке ‘SBBTS: A Unified Schrödinger-Bass Framework for Synthetic Financial Time Series’, предложен новый подход — Schrödinger-Bass Bridge для временных рядов (SBBTS), объединяющий принципы оптимального транспорта и генеративного моделирования. Метод позволяет совместно калибровать дрифт и волатильность, эффективно решая задачу построения реалистичных синтетических данных. Способен ли SBBTS открыть новые горизонты для аугментации данных и повышения точности прогнозирования в финансовых приложениях, особенно в условиях ограниченности реальных данных?

За гранью упрощений: вызовы стохастического моделирования

Традиционные финансовые модели зачастую опираются на упрощенные представления о динамике цен активов, игнорируя сложное взаимодействие между дрейфом и волатильностью. Вместо того чтобы рассматривать эти параметры как взаимосвязанные и постоянно меняющиеся величины, многие подходы предполагают их постоянство или используют линейные зависимости, что существенно ограничивает точность прогнозов. Это упрощение особенно критично при моделировании периодов высокой турбулентности на рынках, когда волатильность может резко возрастать, а дрейф — меняться в зависимости от новостного фона и настроений инвесторов. Не учитывая нелинейные связи и стохастическую природу этих параметров, существующие модели могут недооценивать риски и приводить к неоптимальным инвестиционным решениям. В результате, для адекватного описания поведения финансовых активов необходимы более сложные модели, способные учитывать динамическое взаимодействие между дрейфом и волатильностью и отражать реальные характеристики рыночных данных.

Точное отражение динамики активов, включающее в себя как направленность движения (drift), так и степень изменчивости (volatility), имеет первостепенное значение для эффективного управления рисками и оптимизации инвестиционного портфеля. Однако, существующие методы часто сталкиваются с трудностями при одновременном обеспечении теоретической точности и вычислительной эффективности. Стремление к более реалистичным моделям, учитывающим сложные взаимодействия между этими характеристиками, приводит к увеличению вычислительной нагрузки, что делает их применение в реальном времени проблематичным. В результате, возникает необходимость в компромиссах, ограничивающих точность модели в угоду скорости вычислений, или наоборот, что в конечном итоге влияет на качество принимаемых инвестиционных решений и способность адекватно оценивать потенциальные риски. $\sigma^2 = \frac{1}{n-1} \sum_{i=1}^{n} (x_i - \bar{x})^2$

Существенная сложность в построении адекватных финансовых моделей заключается в одновременном моделировании динамики дрейфа и волатильности активов, а также обеспечении соответствия этих моделей реальным рыночным данным. Традиционные подходы часто упрощают взаимосвязь между этими двумя ключевыми характеристиками, что приводит к неточностям в прогнозировании и оценке рисков. Особенно проблематично то, что дрейф и волатильность не являются независимыми величинами — изменения в одном параметре часто влияют на другой, создавая сложную обратную связь. Попытки учесть эту взаимосвязь, используя, например, стохастические волатильные модели, сталкиваются с вычислительными трудностями и необходимостью точной калибровки параметров на основе исторических данных. Таким образом, достижение баланса между теоретической точностью и практической применимостью остается серьезной задачей в области финансового моделирования.

Анализ корреляционных матриц доходности реальных и синтетических данных позволяет выявить взаимосвязи между различными активами.

Schrödinger Bridge Bass: гармонизация дрейфа и волатильности

Фреймворк Schrödinger Bridge Bass (SBB) представляет собой принципиальное решение для совместной оптимизации дрифта и волатильности посредством оптимального транспорта. В основе подхода лежит минимизация транспортной стоимости между заданной начальной и конечной вероятностными мерами, что позволяет получить согласованную динамику, удовлетворяющую наблюдаемым маржинальным распределениям. Используя методы оптимального транспорта, SBB обеспечивает нахождение наиболее эффективного пути переноса вероятности, определяя как дрифт (μ), так и волатильность (σ) таким образом, чтобы минимизировать эту стоимость. Это позволяет избежать необходимости в независимой параметризации дрифта и волатильности, что часто является ограничением традиционных моделей.

Механизм Schrödinger Bridge Bass (SBB) обеспечивает согласованность между моделируемой динамикой и наблюдаемыми маржинальными распределениями путем расширения классического Schrödinger Bridge и использования принципов мартингального транспорта, лежащих в основе Bass Framework. Данный подход гарантирует, что смоделированные траектории вероятностного развития актива соответствуют априорным ограничениям, заданным наблюдаемым распределениям, избегая тем самым расхождений между теоретической моделью и фактическими рыночными данными. Это достигается за счет решения оптимальной транспортной задачи, которая минимизирует «расстояние» между смоделированным и наблюдаемым распределениями, обеспечивая тем самым статистическую согласованность модели.

Традиционные параметризации динамики цен активов часто полагаются на фиксированные модели волатильности и дрифта, что ограничивает их способность адекватно отражать реальное поведение рынка, особенно в периоды высокой изменчивости или нелинейных зависимостей. Подход Schrödinger Bridge Bass (SBB) позволяет преодолеть эти ограничения, обеспечивая более гибкое и точное моделирование. Вместо навязывания жестких параметров, SBB совместно оптимизирует дрифт и волатильность посредством оптимального транспорта, что позволяет динамике модели соответствовать наблюдаемым маржинальным распределениям без предварительных ограничений на функциональную форму. Это особенно важно для активов с нетривиальной динамикой, где традиционные модели могут приводить к значительным ошибкам оценки и управления рисками.

SBBTS: расширение возможностей для анализа временных рядов

Метод Schrödinger Bridge Bass для временных рядов (SBBTS) является расширением базового фреймворка SBB и предназначен для обработки сложностей, связанных с анализом временных данных. В отличие от стандартного SBB, SBBTS учитывает временную зависимость данных, позволяя моделировать и калибровать динамические процессы. Это достигается за счет интеграции условных распределений и использования оптимального транспорта для сопоставления вероятностных распределений во времени. В результате SBBTS обеспечивает более точное моделирование и прогнозирование временных рядов, особенно в условиях неопределенности и изменчивости.

Метод SBBTS калибрует дрифт и волатильность во временных рядах посредством включения условных распределений и использования оптимального транспорта. Вместо работы с мгновенными значениями, SBBTS учитывает зависимость параметров модели от предыдущих состояний временного ряда, что позволяет более точно описывать динамику данных. Применение оптимального транспорта обеспечивает поиск наиболее эффективного способа сопоставления теоретических и эмпирических распределений, минимизируя расстояние между ними и повышая точность калибровки. Это особенно важно в ситуациях, когда традиционные методы не учитывают сложные зависимости и нелинейности во временных рядах, приводя к неточным оценкам и прогнозам.

Повышенная точность прогнозирования и оценки рисков в динамичных средах, обеспечиваемая SBBTS, имеет критическое значение для широкого спектра приложений, особенно в сфере финансов. Это включает в себя более надежное моделирование финансовых инструментов, оптимизацию портфелей и улучшенное управление рисками. Однако, применение выходит далеко за рамки финансов, охватывая такие области, как прогнозирование спроса в логистике, анализ временных рядов в метеорологии, мониторинг состояния оборудования в промышленности и моделирование распространения заболеваний, где точные прогнозы и адекватная оценка рисков имеют первостепенное значение для принятия обоснованных решений.

Оценка параметров модели Хестона методом максимального правдоподобия показывает, что распределения, полученные из данных (синий), SBTS (оранжевый) и SBBTS (зеленый) выборок, демонстрируют высокую степень соответствия.

Синтетические данные и валидация прогностической силы

Создание синтетических данных, часто с применением метода главных компонент (Principal Component Analysis, PCA) для снижения размерности, предоставляет контролируемую среду для тестирования и калибровки моделей прогнозирования. Использование PCA позволяет выделить наиболее значимые факторы, влияющие на прогнозируемые величины, и генерировать данные, отражающие эти факторы в различных комбинациях. Такой подход позволяет исследователям целенаправленно оценивать чувствительность моделей к конкретным переменным и оптимизировать их параметры без ограничений, присущих реальным данным, где зачастую наблюдается недостаток информации или наличие шумов. Контролируемая среда, создаваемая синтетическими данными, особенно полезна для оценки производительности моделей в экстремальных или редких сценариях, которые трудно встретить в исторических данных, что повышает надежность и устойчивость прогнозов.

Трансформерные табличные фундаментальные модели, такие как TabICL, демонстрируют способность значительно повышать точность прогнозирования благодаря использованию синтетических данных в сочетании с классическими моделями, например, HestonProcess. Этот подход позволяет моделям обучаться на более широком спектре сценариев, чем это возможно при использовании только реальных данных, что особенно ценно при ограниченном объеме исторических наблюдений. Такое комбинирование позволяет эффективно использовать сильные стороны обеих категорий моделей: гибкость и способность к обобщению трансформеров, и хорошо изученные свойства и интерпретируемость традиционных моделей. Результатом является улучшенное качество прогнозов и, как следствие, возможность более эффективного принятия решений в различных областях, от финансов до управления рисками.

Оценка производительности моделей с использованием метрики коэффициента Шарпа демонстрирует потенциал для увеличения доходности с учетом риска благодаря улучшенному прогнозированию. В ходе исследований было выявлено, что дополнение данных, сгенерированных моделью SBBTS, последовательно приводит к более высоким значениям коэффициента Шарпа по сравнению с обучением исключительно на реальных данных. Несмотря на это, статистическая значимость полученных результатов не всегда достигается из-за ограничений, связанных с объемом используемых выборок, что указывает на необходимость дальнейших исследований с более крупными наборами данных для подтверждения устойчивости наблюдаемого эффекта и более точной оценки преимуществ использования синтетических данных в задачах финансового прогнозирования.

Наблюдалось улучшение показателя Log-Loss на валидационной выборке при использовании синтетических данных, сгенерированных моделью SBBTS, в процессе обучения. Этот факт позволяет использовать Log-Loss в качестве критерия ранней остановки обучения, предотвращая переобучение модели и повышая её обобщающую способность. По сути, SBBTS предоставляет данные, которые позволяют более эффективно отслеживать прогресс обучения и вовремя прекратить его, когда дальнейшее улучшение на валидационной выборке становится маловероятным. Такой подход не только оптимизирует процесс обучения, но и способствует созданию более надежных и точных прогностических моделей, способных эффективно работать с реальными данными.

Анализ автокорреляционных функций доходности и квадрата доходности для реальных и синтетических данных по кластерам позволяет выявить схожие закономерности временной зависимости в обеих выборках.

Представленная работа демонстрирует очередную попытку обуздать хаос финансовых временных рядов. Авторы предлагают фреймворк SBBTS, объединяющий принципы оптимального транспорта и генеративного моделирования. В этом нет ничего принципиально нового — лишь очередная изощрённая математическая модель, призванная генерировать правдоподобные данные. Как справедливо заметил Джон фон Нейманн: «В науке не бывает абсолютной точности, только степени приближения к истине». Иными словами, SBBTS — это не истина в последней инстанции, а лишь более изощрённый способ аппроксимации реальности, который, несомненно, через некоторое время потребует доработки или вовсе будет заменён чем-то ещё. В конечном итоге, задача генерации реалистичных финансовых данных сводится к постоянной гонке вооружений между теорией и практикой.

Что дальше?

Представленный подход, объединяющий принципы оптимального транспорта и генеративного моделирования, безусловно, элегантен. Однако, как показывает опыт, каждая «революционная» технология завтра станет техдолгом. Синтез финансовых временных рядов, особенно с адекватным воспроизведением волатильности и корреляций, всегда будет гонкой вооружений между сложностью модели и способностью продакшена найти её слабые места. Проблема не в том, чтобы создать «реалистичные» данные, а в том, чтобы они выдержали проверку временем и не дали ложных сигналов, когда рынки решат, что все правила изменились.

Очевидным направлением для дальнейших исследований является расширение пространства параметров модели. На текущий момент, скорее всего, не хватает гранулярности в описании нелинейных зависимостей и учета событий «чёрных лебедей». Но стоит помнить, что увеличение количества параметров — это лишь откладывание неизбежного столкновения с переобучением и вычислительной сложностью. Задача — не столько создать идеальную модель, сколько научиться быстро адаптировать её к меняющимся условиям.

В конечном итоге, успех этого направления, как и любого другого в области финансового моделирования, будет определяться не теоретической изяществом, а практической применимостью. Полагать, что созданный синтетический ряд «правильный» — наивно. Скорее, это ещё один инструмент, который нужно умело использовать, понимая его ограничения. И, конечно, всегда иметь в запасе запасной план, когда система решит напомнить о себе очередной ошибкой. Мы не чиним продакшен — мы просто продлеваем его страдания.

Оригинал статьи: https://arxiv.org/pdf/2604.07159.pdf

Связаться с автором: https://www.linkedin.com/in/avetisyan/

Смотрите также:

2026-04-09 19:24