論文の概要: High-Quality Synthetic Financial Time-Series using a GAN-Diffusion Framework

• arxiv url: http://arxiv.org/abs/2605.27113v1
• Date: Tue, 26 May 2026 14:52:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.275086
• Title: High-Quality Synthetic Financial Time-Series using a GAN-Diffusion Framework
• Title（参考訳）: GAN拡散フレームワークを用いた高品質合成金融時系列
• Authors: Giuseppe Masi, Andrea Coletta, Novella Bartolini,
• Abstract要約: 本稿では,2種類の生成手法を組み合わせた品質認識型生成フレームワークを提案する。 我々は、我々のGANアーキテクチャを最先端の拡散モデルに組み込む方法を示す。 私たちのフレームワークは、現実的な株式市場シミュレーションのための軽量でレスポンシブなソリューションを提供します。
• 参考スコア（独自算出の注目度）: 7.070661500694135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In recent years, financial institutions and firms have increasingly adopted synthetic data to address data scarcity and to generate counterfactual market scenarios. However, reproducing all the statistical properties of financial time series, commonly known as stylized facts, remains an open challenge for many existing general-purpose architectures. In this paper, we present a quality-aware generative framework that combines two classes of generative methods, demonstrating how their integration addresses existing limitations while enhancing the realism of synthetic data. Specifically, we first introduce CoMeTS-GAN (Correlated Multivariate Time Series GAN), a Conditional Generative Adversarial Network (C-GAN) designed to jointly generate mid-price and volume time-series for correlated stocks. We then show how our GAN architecture can be incorporated into state-of-the-art diffusion models to enhance the quality of generated correlation structures. Specifically, the GAN's Critic serves as a quality evaluation module that guides the diffusion process, enforcing learned correlation structures in the generated time-series. Our framework offers a lightweight and responsive solution for realistic stock market simulation, explicitly modeling inter-asset correlation structures. We experimentally validate our framework against leading generative architectures, showing that it more effectively captures the stylized facts of stock markets and models inter-asset correlations.
• Abstract（参考訳）: 近年、金融機関や企業は、データ不足に対処し、偽の市場シナリオを生み出すために、合成データをますます採用している。 しかし、金融時系列の統計的特性(一般にはスタイル化された事実として知られる)を再現することは、多くの既存の汎用アーキテクチャーにとってオープンな課題である。 本稿では,合成データの現実性を高めつつ,既存の制約にどのように対処するかを示す,2種類の生成手法を組み合わせた品質認識型生成フレームワークを提案する。 具体的には,まずCoMeTS-GAN(Correlated Multivariate Time Series GAN)を紹介する。 次に、GANアーキテクチャを最先端拡散モデルに組み込んで、生成した相関構造の品質を高める方法を示す。 具体的には、GANの批判は拡散過程を導く品質評価モジュールとして機能し、生成された時系列における学習された相関構造を強制する。 我々のフレームワークは、現実的な株式市場シミュレーションのための軽量でレスポンシブなソリューションを提供し、明示的にアセット間の相関構造をモデル化する。 我々は,先進的な生成的アーキテクチャに対する我々の枠組みを実験的に検証し,市場やモデル間の相関関係をより効果的に捉えていることを示す。

関連論文リスト

• Beyond Visual Realism: Toward Reliable Financial Time Series Generation [10.458754867159508]
  金融時系列の生成モデルは、しばしば現実的に見えるデータを生成し、太った尾やボラティリティクラスタリングのようなスタイル化された事実を再現する。 GANやWGAN-GPといったモデルは、しばしば崩壊する。 我々は、市場リスクに強く影響を及ぼす金融非対称性やレアテールイベントの無視の根本原因を特定する。
  論文  参考訳（メタデータ） (2026-01-19T12:09:54Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• Learning Time-Aware Causal Representation for Model Generalization in Evolving Domains [50.66049136093248]
  動的因果要因と因果機構のドリフトを組み込んだ時間認識型構造因果モデル(SCM)を開発した。 本研究では,時間領域毎に最適な因果予測値が得られることを示す。 合成と実世界の両方のデータセットの結果から,SynCは時間的一般化性能に優れることが示された。
  論文  参考訳（メタデータ） (2025-06-21T14:05:37Z)
• High-Fidelity Scientific Simulation Surrogates via Adaptive Implicit Neural Representations [51.90920900332569]
  入射神経表現(INR)は空間的に構造化されたデータをモデリングするためのコンパクトで連続的なフレームワークを提供する。 近年のアプローチでは、剛性幾何学的構造に沿った付加的な特徴を導入することでこの問題に対処している。 機能適応型INR(FA-INR)を提案する。
  論文  参考訳（メタデータ） (2025-06-07T16:45:17Z)
• Empowering Time Series Analysis with Synthetic Data: A Survey and Outlook in the Era of Foundation Models [104.17057231661371]
  時系列解析は複雑なシステムの力学を理解するために重要である。 基本モデルの最近の進歩はタスク非依存の時系列基礎モデル (TSFM) と大規模言語モデルベース時系列モデル (TSLLM) につながっている。 彼らの成功は、規制、多様性、品質、量制約のために構築が困難である、大規模で多様で高品質なデータセットに依存する。 本調査では,TSFMとTLLLMの合成データの総合的なレビュー,データ生成戦略の分析,モデル事前学習におけるそれらの役割,微調整,評価,今後の研究方向性の特定について述べる。
  論文  参考訳（メタデータ） (2025-03-14T13:53:46Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Deep Generative Modeling for Financial Time Series with Application in VaR: A Comparative Review [22.52651841623703]
  ヒストリカル・シミュレーション(HS)は、翌日にリスクファクターの予測分布が戻ると、ヒストリカル・ウィンドウにおける日々のリターンの実証的な分布を利用する。 HS, GARCH および CWGAN モデルは, 歴史的USD 収率曲線データと GARCH および CIR プロセスからシミュレーションした追加データの両方で試験される。 研究によると、トップパフォーマンスモデルはHS、GARCH、CWGANモデルである。
  論文  参考訳（メタデータ） (2024-01-18T20:35:32Z)
• Generating Realistic Stock Market Order Streams [18.86755130031027]
  本稿では,GAN(Generative Adversarial Network)に基づいて,現実的で高忠実な株式市場データを生成する手法を提案する。 我々のストック-GANモデルは、注文の履歴依存を捉えるために条件付きワッサースタインGANを使用している。
  論文  参考訳（メタデータ） (2020-06-07T17:32:42Z)

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。