深層生成モデルによる合成金融データ

本論文は、ポートフォリオ構築とリスクモデリングのために、深層生成モデル（TimeGANとVAE）を適用して合成金融データを作成することを検討しています。実際の金融データの制約（プライバシー、アクセス可能性、再現性）を、合成データという代替手段を提供することで解決しようとしています。この研究の重要性は、これらのモデルが現実的な金融リターン系列を生成できる可能性を示していることにあります。これは、統計的類似性、時間構造テスト、およびポートフォリオ最適化などの下流の金融タスクを通じて検証されています。その結果、合成データは、特にモデルが時間的ダイナミクスを捉える場合、実際のデータに代わる実行可能な代替手段となり、研究開発のためのプライバシー保護と費用対効果の高いツールを提供することが示唆されています。