马格纳斯·威斯;罗伯特·诺布洛赫;拉尔夫·科恩;彼得·克雷奇默 Quant GANs：金融时间序列的深层次生成。 （英语） Zbl 1454.91366号 数量。财务 20，第9期，1419-1440（2020）. 摘要：通过随机过程建模金融时间序列是一项具有挑战性的任务，也是金融数学研究的一个中心领域。作为替代方案，我们引入了Quant GANs，这是一种数据驱动模型，其灵感来自生成性对抗网络（GANs）最近的成功。量子GAN由一个生成器和鉴别器函数组成，它们利用时间卷积网络（TCN），从而实现捕获长期依赖性，如存在波动性簇。生成函数是显式构造的，这样诱导的随机过程可以过渡到其风险中性分布。我们的数值结果表明，小滞后和大滞后的分布特性非常一致，波动率簇、杠杆效应和序列自相关等相关性特性可以由Quant GANs的生成函数生成，并具有高保真性。 引用于17文件 MSC公司： 91G70型 统计方法；风险措施 91克80 其他理论的金融应用 62米10 统计学中的时间序列、自相关、回归等（GARCH） 关键词：财务建模;生成性对抗网络;机器学习;风险中性模拟;时间卷积网络;时间序列 软件：WaveNet公司;科学Py;AlexNet公司;deepAD（深度AD）;github;Wasserstein甘;PyTorch公司;QuantGAN公司;ImageNet公司 PDF格式BibTeX公司 XML格式引用 \textit{M.Wiese}等人，数量。财务20，第9期，1419--1440（2020；Zbl 1454.91366） 全文： 内政部 arXiv公司 参考文献： [1] Arjovsky，M.和Bottou，L.，《面向生成性对抗网络训练的原则方法》。2017年4月24日至26日，法国土伦，第五届国际学习代表大会会议记录，ICLR 2017。2017年会议记录。 [2] Bai，S.，Kolter，J.Z.和Koltun，V.，《序列建模通用卷积和递归网络的经验评估》。CoRR公司, 2018. abs/1803.01271。 [3] Becker，S.、Cheridito，P.和Jentzen，A.，深度最佳停车。arXiv公司, 2018. abs/1804.05394·Zbl 1495.60029号 [4] Black，F.和Scholes，M.，期权定价和公司负债。政治经济学杂志。, 1973, 81 , 637-54. 数字对象标识代码：10.1086/260062·Zbl 1092.91524号 ·数字对象标识代码：10.1086/260062 [5] Bollerslev，T.，广义自回归条件异方差。《经济学杂志》。, 1986, 31 , 307-327. doi:10.1016/0304-4076（86）90063-1·Zbl 0616.62119号 ·doi:10.1016/0304-4076（86）90063-1 [6] Buehler，H.和Ryskin，E.，《大时间步长的离散局部波动性》（扩展版）。2017年SSRN 2642630提供。 [7] Buehler，H.、Gonon，L.、Teichmann，J.和Wood，B.，深度对冲。数量。财务，2019a，19（8），1271-1291。doi:10.1080/14697688.2019.1571683·Zbl 1420.91450 [8] Buehler，H.、Gonon，L.、Wood，B.、Teichmann，J.、Mohan，B.和Kochems，J.，《深度对冲：使用强化学习-机器学习版本在一般市场摩擦下对冲衍生品》。可在2019b SSRN上获取。 [9] Chakraborti，A.、Toke，I.M.、Patriaca，M.和Abergel，F.，《经济物理学评论：I.经验事实》。数量。财务, 2011, 11 , 991-1012. doi:10.1080/14697688.2010.539248 [10] Chung，J.，Gülçehre，圣保罗，Cho，K.和Bengio，Y.，门控递归神经网络对序列建模的实证评估。CoRR公司, 2014. 腹肌/1412.3555。 [11] Clevert，D.、Unterthiner，T.和Hochreiter，S.，用指数线性单位（ELU）进行快速准确的深度网络学习。2016年5月2日至4日在波多黎各圣胡安举行的第四届国际学习代表大会会议记录。2016年会议记录。 [12] Cont，R.，《资产收益的经验属性：典型事实和统计问题》。数量。财务, 2001, 1 , 223-236. doi:10.1080/713665670·Zbl 1408.62174号 [13] Dieleman，S.，van den Oord，A。和Simonyan，K.，《现实主义音乐生成的挑战：大规模模拟原始音频》。在神经信息处理系统的进展31由S.Bengio、H.Wallach、H.Larochelle、K.Grauman、N.Cesa-Bianchi和R.Garnett编辑，第7989-7999页，2018年（Curran Associates，Inc）。http://papers.nips.cc/paper/8023-the-challenge-of-realistic-music-generation-modelling-raw-audio-at-scale.pdf [14] Drágulescu，A.A.和Yakovenko，V.M.，随机波动Heston模型中收益的概率分布。数量。财务, 2002, 2 , 443-453. doi:10.1088/1469-7688/2/6/303·Zbl 1405.91734号 ·doi:10.1088/1469-7688/2/6/303 [15] El Euch，O.，Gatheral，J.和Rosenbaum，M.，Roughening heston。可在SSRN 31168872018上获取。 [16] Goerg，G.M.，《Lambert Way to Gaussianize heavy-tailed data with The inverse of Tukey’s h transformation as a special case.兰伯特高斯化重尾数据的方法》。科学。世界J。2010年、2015年，文章ID 909231。 [17] Goodfellow，I.、Warde-Farley，D.、Mirza，M.、Courville，A.和Bengio，Y.，Maxout网络。第30届国际机器学习会议论文集——第28卷，ICML'13，美国佐治亚州亚特兰大，第III-1319-III-13272013页，JMLR.org。 [18] Goodfellow，I.、Pouget-Abadie，J.、Mirza，M.、Xu，B.、Warde-Farley，D.、Ozair，S.、Courville，A.和Bengio，Y.，《世代对抗网》。在神经信息处理系统的进展27由Z.Ghahramani、M.Welling、C.Cortes、N.D.Lawrence和K.Q.Weinberger编辑，第2672-2680页，2014年（Curran Associates，Inc）。http://papers.nips.cc/paper/5423-generative-adversarial-nets.pdf [19] Goodfellow，I.、Bengio，Y.和Courville，A，深度学习，2016（麻省理工学院出版社），http://www.deeplearningbook.org . ·Zbl 1373.68009号 [20] Gulrajani，I.、Ahmed，F.、Arjovsky，M.、Dumoulin，V.和Courville，A.C.，《Wasserstein GANs改进培训》。CoRR公司, 2017. abs/1704.00028。 [21] He，K.，Zhang，X.，Ren，S.和Sun，J.，深入研究整流器：在图像网络分类方面超越人类水平的表现。2015年IEEE计算机视觉国际会议（ICCV）论文集，ICCV’15，第1026-1034页，2015（IEEE计算机学会：华盛顿特区）。 [22] Heston，S.L.，具有随机波动性的期权的封闭式解决方案，应用于债券和货币期权。财务版次。双头螺栓。, 1993, 6 , 327-343. doi:10.1093/rfs/6.2.327·Zbl 1384.35131号 ·doi:10.1093/rfs/6.2.327 [23] Hochreiter，S.和Schmidhuber，J.，《长期短期记忆》。神经系统。计算。, 1997, 9 , 1735-80. doi:10.1116/neco.1997.9.8.1735·doi:10.1116/neco.1997.9.8.1735 [24] Hornik，K.，多层前馈网络的近似能力。神经系统。Netw公司。, 1991, 4 , 251-257. doi:10.1016/0893-6080（91）90009-T·doi:10.1016/0893-6080（91）90009-T [25] Jolicoeur-Martineau，A.，相对论鉴别器：标准GAN中缺少的一个关键元素。CoRR公司, 2018. abs/1807.00734。 [26] Jones，E.，Oliphant，T.和Peterson，P.，SciPy:Python的开源科学工具，2001年。网址：http://www.scipy.org/ . [27] Karpathy，A.，斯坦福大学CS231n：视觉识别的卷积神经网络，2019年。http://cs231.stanford.edu/syllabus.html . [28] Klambauer，G.，Unterthiner，T.，Mayr，A.和Hochreiter，S.，自归一化神经网络。CoRR公司, 2017. abs/1706.02515。 [29] Koshiyama，A.S.、Firoozye，N.和Trelevan，P.C.，金融交易策略微调和组合的生成性对抗网络。CoRR公司, 2019. abs/1901.01751。 [30] Krizhevsky，A.、Sutskever，I.和Hinton，G.E.，用深度卷积神经网络进行ImageNet分类。第25届神经信息处理系统国际会议记录-第1卷，NIPS’12，内华达州塔霍湖，第1097-1105页，2012（Curran Associates Inc.：美国）。 [31] LeCun，Y.、Bottou，L.、Orr，G.B.和Müller，K.R.，《高效后支柱》。《神经网络学报：贸易的诡计》，这本书是1996年NIPS研讨会的成果，1998年9月至50日，斯普林格出版社。 [32] Mescheder，L.，Geiger，A.和Nowozin，S.，哪种训练方法能真正融合？2018年国际机器学习会议（ICML）会议记录。 [33] Mushtaq，R.，《增强dickey-fuller试验》，2011年·doi:10.2139/ssrn.1911068 [34] 奈尔（Nair，V.）和辛顿（Hinton，G.E.），整流线性单元改进了受限玻尔兹曼机器。《第27届国际机器学习会议论文集》，ICML’10，以色列海法，第807-8142010页（Omnipress：美国）。 [35] Pardo，F.，《利用生成性对抗网络丰富金融数据集》，2019年。 [36] Pardo，F.D.M.和López，R.C.，《利用生成性对抗网络缓解金融数据集的过度拟合》。J.财务。数据科学。, 2020, 2 (1), 76-85. [37] Pascanu，R.、Mikolov，T.和Bengio，Y.，关于训练递归神经网络的难度。第30届机器学习国际会议论文集，S.Dasgupta和D.McAllester编辑，第28卷机器学习研究进展第1310-1318页，2013年6月17日至19日（PMLR:美国佐治亚州亚特兰大）。 [38] Paszke，A.、Gross，S.、Chintala，S.，Chanan，G.、Yang，E.、DeVito，Z.、Lin，Z.，Desmaison，A.、Antiga，L.和Lerer，A.，《PyTorch中的自动区分》。NIPS-W会议记录，2017年。 [39] Paszke，A.、Gross，S.、Massa，F.、Lerer，A.、Bradbury，J.、Chanan，G.、Killeen，T.、Lin，Z.、Gimelshein，N.、Antiga，L.、Desmaison，A.、Kopf，A.，Yang，E.、DeVito，Z.，Raison，M.、Tejani，A.、Chilamkurthy，S.，Steiner，B.、Fang，L.，Bai，J.和Chintala，S.《PyTorch：命令式，高性能深度学习库》。在神经信息处理系统的进展32第8024-8035页，2019年（Curran Associates，Inc）。 [40] Schreyer，M.、Sattarov，T.、Borth，D.、Dengel，A.和Reimer，B.，使用深度自动编码器网络检测大规模会计数据中的异常。CoRR公司, 2017. abs/1709.05254。 [41] Schreyer，M.、Sattarov，T.、Schulze，C.、Reimer，B.和Borth，D.，使用对抗性自动编码器神经网络检测潜在空间中的会计异常。2019年第二届KDD金融异常检测研讨会论文集，2019a年8月。代码位于：https://github.com/GitiHubi/deepAD . [42] Schreyer，M.、Sattarov，T.、Reimer，B.和Borth，D.，会计中深度伪造的对抗学习。《2019年NeurIPS金融服务稳健人工智能研讨会论文集：数据、公平性、可解释性、可信度和隐私》，2019b年12月。 [43] Silver，D.，Huang，A.，Maddison，C.J.，Guez，A.，Sifre，L.，Schrittwieser，J.，Antonoglou，I.，Panneershelvam，V.，Lanctot，M.，Dieleman，S.，Grewe，D.，Nham，掌握深度神经网络和树搜索的围棋游戏。自然, 2016, 529 , 484-503. doi:10.1038/nature16961·doi:10.1038/nature16961 [44] Takahashi，S.，Chen，Y.和Tanaka Ishii，K.，用生成对抗性网络建模金融时间序列。物理学。A： 统计师。机械。申请。, 2019, 527 , 121261. doi:10.1016/j.physa.2019.12161·doi:10.1016/j.physa.2019.12161 [45] Tankov，P，具有跳跃过程的财务建模2003年第2卷（CRC出版社：纽约）·Zbl 1052.91043号 ·电话：10.1201/9780203485217 [46] van den Oord，A.、Dieleman，S.、Zen，H.、Simonyan，K.、Vinyals，O.、Graves，A.，Kalchbrenner，N.、Senior，A.和Kavukcuoglu，K.WaveNet：原始音频的生成模型。arXiv公司, 2016. abs/1609.03499。 [47] 维拉尼，C.，《最佳交通——新旧》，第xxii+9732008页·Zbl 1156.53003号 ·doi:10.1007/978-3-540-71050-9 [48] Wiese，M.，Knobloch，R.和Korn，R.，Copula和边缘流：将边缘从其接合处分离。arXiv公司2019a年。abs/1907.03361。 [49] Wiese，M.、Bai，L.、Wood，B.和Buehler，H.，《深度对冲：学习模拟股票期权市场》。可从SSRN 34707562019b获取。 [50] Xu，B.，Wang，N.，Chen，T.和Li，M.，卷积网络中校正激活的实证评估。CoRR公司, 2015. abs/1505.00853。 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。