arXiv:2410.18897

Generation of synthetic financial time series by diffusion models

Tomonori Takahashi, Takayuki Mizuno

제출 2024-10-24

원문 초록

Despite its practical significance, generating realistic synthetic financial time series is challenging due to statistical properties known as stylized facts, such as fat tails, volatility clustering, and seasonality patterns. Various generative models, including generative adversarial networks (GANs) and variational autoencoders (VAEs), have been employed to address this challenge, although no model yet satisfies all the stylized facts. We alternatively propose utilizing diffusion models, specifically denoising diffusion probabilistic models (DDPMs), to generate synthetic financial time series. This approach employs wavelet transformation to convert multiple time series (into images), such as stock prices, trading volumes, and spreads. Given these converted images, the model gains the ability to generate images that can be transformed back into realistic time series by inverse wavelet transformation. We demonstrate that our proposed approach satisfies stylized facts.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.28371v1stat.ML공통 태그 Denoising, Time Series

일반화된 랑주뱅 역학을 위한 메모리 조건부 확산 모델

Memory-Conditioned Diffusion Model for Generalized Langevin Dynamics

일반화된 랑주뱅 방정식(Generalized Langevin equation)은 분해된 변수(resolved variable)의 진화가 과거에 의존하는 비마르코프 역학(non-Markovian dynamics)을 설명합니다. 본 연구에서는 메모리 커널(memory kernel)을 식별하거나 미분해 변수(unresolved variable)를 재구성하지 않고도, 관측된 궤적으로부터 이러한 역학의 확률적 흐름 맵(stochastic flow map)을 학습하기 위한 메모리 조건부 확산 기법을 제안합니다. 컴팩트하고 재귀적으로 업데이트되는 지수 필터 뱅크(bank of exponential filters)를 통해 흐름 맵은 긴 관측 윈도우에 조건을 부여하지 않고도 여러 시간 척도에 걸쳐 예측 이력을 유지할 수 있습니다. 다음 단계 분포는 현재 관측값과 이 메모리 상태를 조건으로 하며, 고정된 뱅크 크기에서 메모리 상태의 저장 및 업데이트 비용은 이력 길이와 무관합니다. 예측 기준을 통해 메모리 예산을 결정하고 벡터 벤치마크에서는 참조 지원 선택을 활용하며, 선택적 선형 투영을 통해 조건부 차원을 더욱 축소합니다. 커널 기반 스코어 추정기는 스코어 네트워크를 학습(training)시키지 않고도 조건부 샘플을 생성하며, 이 샘플들은 자기회귀 시뮬레이션을 위한 신경 흐름 맵을 학습하는 데 사용됩니다. 세 가지 수치 예제를 통해 작은 조건부 차원에서의 긴 메모리 유지력, 결합된 벡터 역학에서의 예측 압축, 비가우스 조건부 분포 및 간헐적 이벤트를 평가(evaluation)합니다. 비가우스 예제는 플라스마 스크레이프-오프 층(plasma scrape-off layer)의 확률적 모델에서 조건부 비대칭성과 버스트 통계를 재현합니다.

arXiv:2609.23945v1cs.AI공통 태그 Denoising, Time Series

RF 장애 IBFD MIMO 시스템에서 신호 복원을 위한 에코 상태 네트워크(ESN)

Echo State Network (ESN) for Signal Recovery in RF-Impaired IBFD MIMO Systems

대역 내 전이중(in-band full-duplex, IBFD) 다중 입력 다중 출력(MIMO) 시스템은 동일 주파수 대역에서 동시 송수신을 가능하게 하여 차세대 무선 네트워크의 스펙트럼 효율을 높인다. 그러나 IBFD-MIMO 시스템은 자기 간섭(self-interference, SI)에 취약하며, SI는 관심 신호(signal of interest, SOI)를 압도할 수 있다. 이러한 상황에서 블라인드 소스 분리(blind source separation, BSS) 알고리즘을 채택해 SI를 제거하고 공동 감지 및 통신(joint sensing and communication, JSAC)을 수행할 수 있으나, BSS 알고리즘은 대부분 이상화된 선형 및 준정상(quasi-stationary) 신호 모델을 가정하며, I/Q 불균형, 반송파 주파수 오프셋(carrier frequency offset, CFO), 위상 잡음(phase noise), 전력 증폭기 비선형성(power amplifier nonlinearity) 등 현실적인 무선 주파수(RF) 장애 하에서는 이 가정이 성립하지 않는다. 본 논문은 이러한 현실적 조건에서 BSS보다 우수한 2단계 에코 상태 네트워크(echo state network, ESN) 기반 방안을 제안한다. 정적 SI 경로를 특성화하기 위해 동결(frozen) ESN을 오프라인으로 학습하고, 희소 파일럿 심볼(sparse pilot symbols)을 이용해 재귀 최소자승(recursive least squares)으로 온라인 갱신되는 적응형 ESN이 시변 SOI 경로를 추적한다. 다양한 블록 크기에 대해 제안 방안의 SOI 복원 성능과 획득 속도를 평가하고, 장단기 메모리(long short-term memory, LSTM) 및 게이티드 순환 유닛(gated recurrent unit, GRU) 등 다른 순환 신경망(recurrent neural network, RNN)과 비교한다. 시뮬레이션 결과, 제안 접근법은 효율성과 SOI 복원 모두에서 BSS, LSTM, GRU를 능가하며, 현실적인 IBFD MIMO 시스템에서 실시간 비선형 자기 간섭 제거를 위한 ESN의 실용 가능성을 보여준다.

arXiv:2607.22548v1cs.AI공통 태그 Denoising, Time Series

SeT-Diff: HPC 텔레메트리 및 시계열을 위한 의미 기반 파운데이션 모델

SeT-Diff: Towards Semantic Foundation Models for HPC Telemetry and Time-Series

데이터센터와 그 컴퓨트 노드는 워크로드, 환경 매개변수, 물리적 지표 간의 복잡한 상호작용을 모델링할 수 있는 정확하고 유연한 디지털 트윈이 필요하다. 현재 HPC 및 그 텔레메트리를 위한 머신러닝 접근법은 일반적으로 단일 작업에 맞춰진 익명의 고정 위치 센서 변수의 정적 부분집합에 의존한다. 결과적으로, 목표 작업이 변경되거나 센서 지표가 달라지면 이러한 모델은 더 이상 유효하지 않게 된다. 우리는 컴퓨트 노드 텔레메트리 및 시계열을 위한 최초의 파운데이션 모델인 SeT-Diff를 제안한다. 경직된 아키텍처와 달리, 우리의 확산(diffusion) 기반 접근법은 각 센서의 의미적 설명에 생성 과정을 조건화하여 시스템 역학을 데이터셋의 구조로부터 분리한다. 실제 슈퍼컴퓨터 데이터셋에 대한 실험은 재구성 작업에서 평균 절대 오차(MAE) 0.0470을 보여준다. SeT-Diff는 제로샷(zero-shot) 순열 안정성을 보이며, 센서 순서가 섞여도 정확도를 미미한 저하만으로 유지한다. 단일 사전학습 모델이 데이터 보간(imputation), 예측(forecasting), 가상 센싱(virtual sensing)을 효과적으로 수행하며 — 열 추론에서 0.033 MAE를 달성 — SeT-Diff를 HPC 시스템을 위한 효과적인 데이터 기반 디지털 트윈으로 만든다.

arXiv:2607.22599v1cs.AI공통 태그 Denoising, Time Series

시계열 예측을 위한 불확실한 구성 요소를 향한 확산 궤적의 차분화

Differencing the Diffusion Trajectory toward Uncertain Components for Time Series Forecasting

확산 모델은 확률적 시계열 예측을 위한 널리 사용되는 프레임워크가 되었으며, 관측된 과거 이력을 조건으로 미래 값의 분포를 모델링한다. 그러나 시계열 예측에서 미래는 관측된 과거 이력의 연속이므로, 표준 확산 과정이 다루지 못하는 비대칭성이 생긴다. 저주파로 변하는 내용은 관측된 연속성에 의해 대부분 결정되는 반면, 고주파 역학이 잔여 불확실성의 대부분을 담는다. 기존 확산 기반 예측기는 생성 전 외부 규칙을 통해 이 비대칭성을 분리하지만, 이로 인해 오염(corruption) 궤적은 이력이 이미 목표의 어떤 부분을 고정(anchor)할 수 있는지를 알지 못한다. 우리는 DiffDiff를 제안한다. DiffDiff는 이러한 예측 가능성 비대칭성을 확산 궤적 자체에 내재화하여, 단일 end-to-end 확산 과정이 목표의 어떤 부분을 이력이 이미 고정할 수 있는지 인식하도록 하는 확산 프레임워크이다. DiffDiff는 순방향 연산자를 스텝 의존적으로 만들어, 노이즈가 섞인 중간 상태가 목표 자체에서 2차 차분 구조로 점진적으로 이동하도록 한다. 동시에 조건화 경로(conditioning pathway)는 각 확산 스텝마다 단계 적응형 게이트(stage-adaptive gate)로 균형을 맞춘 값 영역(value-domain) 및 차분 이력 정보를 디노이저(denoiser)에 제공한다. 종단 분포는 표준 가우시안에 수렴하여 기존 샘플러와의 호환성을 유지한다. 네 개의 예측 구간에 걸친 7개 벤치마크에서 DiffDiff는 6개의 확산 기준선(baseline)을 능가하며, 분석 결과 DiffDiff가 이력에 의해 고정된 내용을 재구성하는 부담을 덜면서 목표의 가장 불확실한 구성 요소에 확산의 생성 노력을 집중함을 확인한다.

arXiv:2607.21403v1cs.LG공통 태그 Denoising, Time Series

모바일 헬스 배포를 위한 확산 모델 기반 하위 집단 디지털 트윈: HeartSteps 개입 사례 연구

A Diffusion-Model Subpopulation Digital Twin for Mobile Health Deployment: A Case Study on the HeartSteps Intervention

모바일 헬스 개입은 사용자를 더 건강한 행동으로 유도할 시점을 개인화하기 위해 점점 더 온라인 학습 및 의사결정 알고리즘을 사용하고 있지만, 설계가 부실한 알고리즘은 참가자에게 부담을 주고 이탈을 유발할 수 있다. 따라서 새로운 알고리즘 설계 결정은 각 실제 배포 전에 현실적인 시뮬레이션 사용자에 대해 검증되어야 한다. 우리는 적시 적응형 개입(JITAI) 배포 전에 후보 온라인 알고리즘을 비교하기 위한 목표 하위 집단의 디지털 트윈인 ``JITAI-Twin''을 개발하는 방법을 제안한다. 이 방법은 조건부 시계열 확산 모델을 기반으로 하며, 시간적으로 일관되어(미래 행동이 생성된 과거에 영향을 주지 않음) 세 가지 정보원으로부터 세 단계에 걸쳐 반복적 갱신을 지원한다: 대규모 관찰 데이터셋에 대한 사전학습, 관련 집단에서의 소규모 이전 개입 배포에 대한 미세조정, 그리고 도메인 과학자의 전문 지식을 바탕으로 한 다음 목표 집단에 대한 추론 시점 보정. 우리는 신체 활동 제안 개입 배포의 장기 HeartSteps 시리즈(v2부터 v4까지)의 각 사전 배포 단계에서 트윈을 검증하며, 각 연속 배포를 다가오는 연구로 취급한다. 제안된 방법은 더 단순한 시뮬레이터보다 목표 하위 집단의 시간적 구조 및 참가자 간 구조를 더 잘 재현한다. 이러한 결과는 우리의 트윈이 실행 전에 목표 배포를 시뮬레이션하는 데 사용될 수 있음을 시사하며, 이는 온라인 알고리즘 설계 결정을 테스트하고 정보를 제공하기 위한 전제 조건이다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.