論文の概要: MarketGANs: Multivariate financial time-series data augmentation using generative adversarial networks

• arxiv url: http://arxiv.org/abs/2601.17773v1
• Date: Sun, 25 Jan 2026 10:19:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-27 15:23:08.329043
• Title: MarketGANs: Multivariate financial time-series data augmentation using generative adversarial networks
• Title（参考訳）: MarketGANs: 生成的対向ネットワークを用いた多変量金融時系列データ拡張
• Authors: Jeonggyu Huh, Seungwon Jeong, Hyun-Gyoon Kim, Hyeng Keun Koo, Byung Hwa Lim,
• Abstract要約: MarketGANは、高密度データ不足下での高次元アセットリターン生成のための因子ベースの生成フレームワークである。 経済的帰納バイアスとして明示的な資産価格因子構造を組み込み、単一のジョイントベクトルとしてリターンを生成する。 米国株の日次リターンを利用して、MarketGANは資産リターンの実証的なスタイルの事実とより密に一致している。
• 参考スコア（独自算出の注目度）: 4.104902299123294
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces MarketGAN, a factor-based generative framework for high-dimensional asset return generation under severe data scarcity. We embed an explicit asset-pricing factor structure as an economic inductive bias and generate returns as a single joint vector, thereby preserving cross-sectional dependence and tail co-movement alongside inter-temporal dynamics. MarketGAN employs generative adversarial learning with a temporal convolutional network (TCN) backbone, which models stochastic, time-varying factor loadings and volatilities and captures long-range temporal dependence. Using daily returns of large U.S. equities, we find that MarketGAN more closely matches empirical stylized facts of asset returns, including heavy-tailed marginal distributions, volatility clustering, leverage effects, and, most notably, high-dimensional cross-sectional correlation structures and tail co-movement across assets, than conventional factor-model-based bootstrap approaches. In portfolio applications, covariance estimates derived from MarketGAN-generated samples outperform those derived from other methods when factor information is at least weakly informative, demonstrating tangible economic value.
• Abstract（参考訳）: 本稿では,重度のデータ不足下での高次元アセットリターン生成のための因子ベース生成フレームワークであるMarketGANを紹介する。 経済的な帰納的バイアスとして明示的な資産価格因子構造を組み込み、単一のジョイントベクトルとしてリターンを生成し、時間間ダイナミクスとともに断面積依存とテールコムーブメントを保存する。 MarketGANは、時間的畳み込みネットワーク(TCN)のバックボーンで、確率的、時間的要因のロードとボラティリティをモデル化し、長期の時間的依存を捉える。 大規模な米国株式の日次リターンを用いて、MarketGANは、従来のファクターモデルに基づくブートストラップアプローチよりも、ヘビーテールの辺縁分布、ボラティリティクラスタリング、エフェクトの活用、高次元の断面相関構造とアセット間のテールコムーブメントといった、経験的なスタイル化されたアセットリターン事実とより密に一致している。 ポートフォリオアプリケーションでは、MarketGANが生成したサンプルから得られた共分散推定は、因子情報が少なくとも弱い情報である場合、他の方法から派生したものよりも優れており、具体的な経済価値を示している。

関連論文リスト

• FactorGCL: A Hypergraph-Based Factor Model with Temporal Residual Contrastive Learning for Stock Returns Prediction [16.70420232738428]
  時間的残留的コントラスト学習(FactorGCL)を用いたハイパーグラフに基づく因子モデルを提案する。 ストックリターンを予測するために, 人為的に設計された先行要因を補う隠蔽因子を抽出するために, カスケード残差ハイパーグラフアーキテクチャを設計する。 実株市場データに関する我々の実験は、FacterGCLが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-02-05T12:37:15Z)
• STORM: A Spatio-Temporal Factor Model Based on Dual Vector Quantized Variational Autoencoders for Financial Trading [55.02735046724146]
  金融取引では、ファクターモデルが資産の価格設定や過大なリターンの獲得に広く利用されている。 双対ベクトル量子化変分オートエンコーダを用いた時空間ファクトラーモデルSTORMを提案する。 ストームは時間的および空間的な視点からストックの特徴を抽出し、これらの特徴を微細で意味的なレベルで融合し整列させ、その要素を多次元の埋め込みとして表現する。
  論文  参考訳（メタデータ） (2024-12-12T17:15:49Z)
• Copula Variational LSTM for High-dimensional Cross-market Multivariate Dependence Modeling [46.75628526959982]
  我々は、変分連続ニューラルネットワークとコプラに基づく依存モデルを統合するための最初の試みを行う。 我々の変分ニューラルネットワークWPVC-VLSTMは時系列の連続的依存度と構造をモデル化する。 これは、線形モデル、ボラティリティモデル、ディープニューラルネットワーク、市場横断ポートフォリオ予測における変動リカレントネットワークなど、ベンチマークを上回っている。
  論文  参考訳（メタデータ） (2023-05-09T08:19:08Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Forecasting Financial Market Structure from Network Features using Machine Learning [0.6999740786886535]
  機械学習を用いて,リンク型およびノード型金融ネットワークの機能から市場相関構造を予測するモデルを提案する。 本稿では,3つの異なるネットワークフィルタリング手法を用いて市場構造,すなわち動的アセットグラフ(DAG),動的ミニマルスパンニングツリー(DMST),動的スレッショルドネットワーク(DTN)を推定する実験的なエビデンスを提案する。 実験結果から,提案モデルが予測性能の高い市場構造を予測できることを示す。
  論文  参考訳（メタデータ） (2021-10-22T12:51:32Z)
• A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
  金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。 ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。 我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
  論文  参考訳（メタデータ） (2020-12-10T01:15:48Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。