Deep generative models for synthetic time series generation and deep hedging application

Abstract

Mit der zunehmenden Bedeutung von maschinellem Lernen im Finanzbereich gewinnt auch die Erzeugung realistischer Zeitreihendaten für zahlreiche Anwendungen im Finanzsektor an Relevanz. Klassische stochastische Modelle sind zwar nützlich, müssen jedoch stets richtig kalibriert und an die jeweiligen Marktverhältnisse angepasst werden. Das kann sehr aufwendig sein, besonders wenn sich Marktgegebenheiten verändern. Deep Generative Models bieten eine rein datenbasierte Alternative. Frühere Untersuchungen zeigen, dass das Time-GAN-Modell zeitliche Dynamiken gut erfasst, aber im Vergleich zum CEGEN-Modell Schwierigkeiten hat, Abhängigkeiten zwischen den Vermögenswerten zu modellieren. In dieser Arbeit implementieren wir beide Modelle und entwickeln ein hybrides Modell, das die Struktur des CEGEN-Modells in den Trainingsprozess des Time-GAN-Modells integriert, um dessen Qualität zu verbessern. Wir evaluieren die Modelle anhand eines Datensatzes, der aus vier amerikanischen Technologieaktien besteht, und messen die Performance mit verschiedenen Benchmarks und Deep-Hedging-Anwendungen, für die wir das pfhedge-Paket adaptieren und einsetzen. Das CEGEN-Modell erzielt in unseren Untersuchungen die besten Ergebnisse. Als Kombination von CEGEN und Time-GAN schneidet das hybride Modell zwar in mehreren Metriken besser als das Time-GAN-Modell ab, jedoch bleibt es insgesamt hinter dem CEGEN-Modell zurück. Im Vergleich der verschiedenen Deep-Hedging-Modelle, die mit den synthetischen Daten unserer generativen Modelle trainiert wurden, mit klassischen Absicherungsstrategien auf der Grundlage des Black-Scholes-Merton-Modells oder anderen Deep-Hedging-Modellen, die mit Pfaden einer angepassten geometrischen brownschen Bewegung trainiert wurden, können wir keine klare Verbesserung feststellen. Das deutet darauf hin, dass weitere Forschung notwendig ist, bevor solche Modelle vollständig in praktischen Anwendungen eingesetzt werden können.

With machine learning becoming increasingly important in finance, generating realistic time series data has become crucial for various financial applications. Traditional stochastic models are useful but often require extensive calibration and may become inadequate in changing market conditions. Deep generative models provide a purely data-driven alternative. Past research has shown that Time-GAN effectively captures temporal dynamics but, compared to CEGEN, struggles to model interdependencies between assets. In this thesis, we implement both generative models and develop a hybrid model that integrates CEGEN’s structure into Time-GAN’s training process to enhance its performance. We evaluate the models using a dataset of four American technology stocks and assess their performance based on multiple benchmarks and deep hedging applications using the pfhedge package. In our experiments, CEGEN outperforms the other generative models. The combined model improves Time-GAN’s results in several metrics, but, reflecting its hybrid nature, still lags behind CEGEN. When comparing deep hedgers trained on synthetic samples from our models, we find no clear outperformance relative to traditional hedging strategies based on the Black-Scholes-Merton model or deep hedgers trained on paths generated by a fitted geometric Brownian motion. This suggests that further research is necessary before fully relying on such models in practical applications.