זירת AI

מידול גנרטיבי לא־פרמטרי של סדרות זמן באמצעות גשר שרדינגר

מאת Mohamed Hamdouche, Pierre Henry-Labordère, Huyên Pham · פורסם: · עודכן:

המאמר מציג את SBTS, שיטה גנרטיבית ליצירת סדרות זמן באמצעות גשר שרדינגר, שנועדה לשמר את ההתפלגות המשותפת של התצפיות ואת התלות ביניהן לאורך הזמן. החוקרים מנסחים בעיית אופטימיזציה המחפשת תהליך הקרוב ככל האפשר לתנועה בראונית במונחי אנטרופיה יחסית, בכפוף להתאמה להתפלגות סדרות הזמן. הם גוזרים פתרון תאורטי באמצעות משוואה דיפרנציאלית סטוכסטית בעלת סחיפה התלויה בהיסטוריה, ומציעים לאמוד אותה ישירות מהנתונים ברגרסיית גרעין, ללא צורך באימון רשת עצבית. ניסויים במודלים אוטורגרסיביים, במודל תנודתיות ובתנועה בראונית שברית מצביעים על שחזור טוב של התפלגויות ומאפיינים זמניים במדדים שנבדקו. ביישום לנתוני מניית אפל, אימון מערכת גידור על נתונים סינתטיים הפחית את סטיית התקן של רווח והפסד במבחן מ־0.015 ל־0.013. התוצאות מעודדות, אך ההשוואה ל־TimeGAN אינה מצביעה על עדיפות עקבית, ואמידת הגרעין רגישה לרוחב הפס וסובלת מקללת הממד. מוצעת חלופת LSTM למקרים מורכבים יותר.

יישומי המאמר

השיטה מאפשרת לייצר תרחישים חדשים של סדרות זמן מתוך דוגמאות קיימות, תוך ניסיון לשמר לא רק את התפלגות הערכים אלא גם את הקשרים ביניהם לאורך הזמן. למשל, אפשר ליצור מסלולים סינתטיים של תשואות מניה כדי לאמן ולבדוק מערכות לניהול סיכונים. ביישום הפיננסי שהודגם, השתמשו בנתונים הסינתטיים לאימון מערכת שלומדת כיצד לגדר אופציה. בבדיקה על נתוני אמת התקבלה תנודתיות נמוכה יותר של תוצאות הגידור לעומת אימון על הנתונים ההיסטוריים בלבד. זהו ממצא ממקרה מבחן יחיד, ולא הבטחה לשיפור בכל נכס או תנאי שוק. היתרון המעשי הוא שאפשר להשתמש בגרסת הליבה ללא אימון רשת עצבית ליצירת הנתונים. עם זאת, נדרשת בחירה זהירה של פרמטרי ההחלקה, והשיטה פחות מתאימה לסדרות ארוכות מאוד או בעלות משתנים רבים. היא גם אינה מבטיחה לייצר אירועי קיצון שאינם מיוצגים במידע המקורי.

פירוט המאמר

מטרת המחקר והרקע

המאמר עוסק ביצירת סדרות זמן סינתטיות המחקות את המבנה הסטטיסטי והזמני של סדרות שנצפו. בניגוד ליצירת דוגמאות בלתי תלויות, כאן נדרש לשחזר גם קשרים בין תצפיות בזמנים שונים, ולעיתים תלות בהיסטוריה שאינה מסתכמת בערך האחרון. החוקרים מציעים חלופה למודלים גנרטיביים מבוססי רשתות עצביות: גשר שרדינגר לסדרות זמן, המכונה SBTS. המוטיבציה היא לספק מחולל מונחה נתונים, שניתן לפרש את מבנהו המתמטי ולהשתמש בו גם כשמספר הדוגמאות מוגבל, במיוחד לצורך סימולציות פיננסיות וניהול סיכונים.

הניסוח המתמטי והתרומה התאורטית

נקודת המוצא היא התפלגות משותפת לא ידועה של ערכי תהליך במספר מועדי תצפית. החוקרים מחפשים התפלגות על מסלולים רציפים, המתחילים באפס, שתתאים להתפלגות המשותפת הזאת ותהיה קרובה ככל האפשר למידת וינר, כלומר להתפלגות של תנועה בראונית. הקרבה נמדדת באמצעות אנטרופיה יחסית. ההבדל מגשר שרדינגר קלאסי הוא שהאילוץ אינו מתייחס רק להתפלגות התחלתית וסופית, אלא להתפלגות המשותפת של רצף התצפיות כולו. באמצעות הקשר בין שינוי מידה לבקרה סטוכסטית, הבעיה מתורגמת למזעור אנרגיית הסחיפה של תהליך דיפוזיה. בהנחה שלהתפלגות המטרה יש צפיפות ואנטרופיה יחסית סופית ביחס להתפלגות התצפיות הבראוניות, המאמר גוזר פתרון מפורש: משקלול של מידת וינר ביחס הצפיפויות המתאים. ערך המינימום שווה לאנטרופיה היחסית בין התפלגות המטרה לבין ההתפלגות הבראונית על רשת התצפיות. התהליך האופטימלי מתואר במשוואה דיפרנציאלית סטוכסטית, שבה הסחיפה היא גרדיאנט הלוגריתם של תוחלת מותנית של יחס הצפיפויות. הסחיפה תלויה בזמן, במצב הנוכחי ובערכים שנצפו בעבר. כך ניתן לייצג תלות שאינה מרקובית. כאשר סדרת המטרה עצמה מרקובית, התלות בהיסטוריה מצטמצמת לערך התצפית האחרון. ההתאמה התאורטית היא להתפלגות במועדים הנתונים; אין בכך טענה לשחזור מלא של תהליך המקור בכל רזולוציית זמן.

למידת הסחיפה ויצירת דוגמאות

המאמר דן תחילה באמידת יחס הצפיפויות באמצעות סיווג לוגיסטי ורשת עצבית, אך מסביר שגישה זו יקרה משום שהיא מחייבת גם דגימות בראוניות וחישובי מונטה קרלו נוספים. החלופה המרכזית נשענת על ייצוג הסחיפה כיחס בין שתי תוחלות מותנות תחת התפלגות הנתונים עצמה. אפשר לכן לאמוד אותה ישירות מהדוגמאות בעזרת אומד נדראיה–ווטסון, המעניק משקל רב יותר להיסטוריות הדומות לזו של המסלול הנוצר. בניסויים משתמשים בגרעין רבעוני, הזול יחסית לחישוב. רוחב הפס קובע את האיזון בין החלקה חזקה, העלולה לטשטש מבנה, לבין הסתמכות על מעט שכנים. מוצעת בחירת רוחב פס באמצעות ביצועי חיזוי מותנה על נתונים מוחזקים בנפרד. לאחר אמידת הסחיפה מדמים את המשוואה בשיטת אוילר ומחזירים את הערכים במועדי התצפית. לפי המאמר, הסיבוכיות ליצירת מסלול היא מסדר מספר הדוגמאות כפול אורך הסדרה כפול מספר צעדי הסימולציה בכל מרווח, באמצעות שמירה ועדכון של משקלי ההיסטוריה. החוקרים מכירים בקללת הממד: ככל שמספר המשתנים או אורך ההיסטוריה גדלים, קשה למצוא דוגמאות קרובות. הם מציעים חלופה המשלבת LSTM לקידוד ההיסטוריה עם רשת קדמית המקבלת גם זמן ומצב נוכחי. שתי התוחלות המותנות נלמדות באמצעות הפסד ריבועי. זו הצעה ארכיטקטונית להתמודדות עם המגבלה; הניסויים המרכזיים המוצגים מבוססים על אמידת גרעין.

ניסויים ותוצאות

ההערכה כוללת התפלגויות שוליות, אחוזונים, מבחני קולמוגורוב–סמירנוב, מתאמים, מטריצות שונות משותפת, שונות ריבועית לאורך רשת הזמן וציוני חיזוי. בדוגמה אוטורגרסיבית קצרה, שכללה תלות לא ליניארית בעבר, התקבלו ערכי p של 0.98, 0.74 ו־0.90, והפרשי המתאם היו קטנים. יצירת 500 מסלולים נמשכה שמונה שניות במחשב המתואר. ערכי p גבוהים משמעם שלא נדחתה השערת ההתאמה במבחן, ולא הוכחה לשוויון התפלגויות. במודל אוטורגרסיבי דו־ממדי הושוו ציוני חיזוי מול TimeGAN. כאשר שינו את המתאם הזמני, SBTS הציג ציונים נמוכים יותר, למשל 0.161 לעומת 0.640 בהגדרה אחת. עם זאת, בשתי הגדרות של מתאם בין משתנים TimeGAN היה טוב יותר. בנוסף, תיאור החיזוי בניסוי אינו זהה לחלוטין לפרוטוקול הכללי המוצג בסעיף המדדים, ולכן יש לפרש בזהירות את ההשוואה ולא להסיק ממנה עליונות כללית. בניסוי במודל תנודתיות המכונה במאמר GARCH ובניסוי בתנועה בראונית שברית נבדקו סדרות באורך 60, על בסיס 1,000 דוגמאות. התוצאות הראו דמיון במדדים שנבדקו. בתנועה הבראונית השברית, שמדד הרסט שלה היה 0.1, התקבל אומדן של 0.102 עם סטיית תקן 0.003. זמני יצירת 1,000 מסלולים היו כ־120 שניות במודל התנודתיות וכ־100 שניות בתנועה השברית.

יישום פיננסי ומגבלות

ביישום לנתוני אפל נבנו חלונות בני 60 ימים, והחוקרים מציינים כי המודל לומד תשואות לוגריתמיות כדי להפוך את הנחת הסטציונריות המקומית לסבירה יותר. נתונים סינתטיים שימשו לאימון גידור עמוק של אופציית רכש בכסף. במבחן, סטיית התקן של רווח והפסד ירדה מ־0.015 באימון היסטורי ל־0.013 באימון סינתטי, והממוצע השתפר מ־0.015- ל־0.012-, אך נשאר שלילי. הפרמיה עלתה מ־0.0488 ל־0.0506. המסקנה היא שמדובר בשילוב מבטיח של פתרון תאורטי ואמידה לא פרמטרית, עם הדגמות אמפיריות מועילות אך מוגבלות. מעבר לרגישות לרוחב הפס ולממד, חלונות חופפים מחייבים זהירות בהנחות על הנתונים. בתיאור חלוקת התאריכים הפיננסית מופיעות גם אי־עקביות ושגיאת שנה לכאורה, המקשות על שחזור מדויק. השוואות רחבות יותר מיוחסות למחקר המשך ואינן מוצגות כאן במלואן; לכן הראיות במאמר תומכות בהיתכנות ובתועלת אפשרית, לא בעדיפות גורפת על חלופות.

היילייטס

  • נגזר פתרון תאורטי ליצירת סדרות זמן תחת אילוץ על ההתפלגות המשותפת, באמצעות תהליך סטוכסטי שסחיפתו תלויה בהיסטוריית התצפיות.
  • אמידת הסחיפה ברגרסיית גרעין משתמשת ישירות בדוגמאות הנתונים ואינה מחייבת אימון רשת עצבית או אמידה נפרדת של יחס צפיפויות.
  • בניסוי בתנועה בראונית שברית עם מדד הרסט 0.1, המדד שנאמד מהסדרות שנוצרו היה 0.102, עם סטיית תקן 0.003.
  • בבדיקת גידור על נתוני אפל, סטיית התקן של רווח והפסד ירדה מ־0.015 ל־0.013, לצד פרמיה גבוהה יותר; ממוצע רווח והפסד במבחן נשאר שלילי.
  • היתרון מול TimeGAN אינו עקבי בכל ההגדרות, והיישום מבוסס הגרעין מוגבל בשל רגישות לרוחב הפס וקללת הממד.

שאלות נפוצות

כיצד יוצרים סדרות זמן סינתטיות ששומרות על הקשרים לאורך הזמן?

שיטת SBTS מייצרת סדרות זמן חדשות מתוך דוגמאות קיימות, במטרה לשמר גם את התפלגות הערכים וגם את התלות בין תצפיות בזמנים שונים. היא מבוססת על גשר שרדינגר: תהליך אקראי המותאם להתפלגות המשותפת של התצפיות, תוך מזעור האנטרופיה היחסית ביחס לתנועה בראונית. כך אפשר ליצור, למשל, מסלולי תשואות סינתטיים לצורך אימון ובדיקה של מערכות פיננסיות. ההתאמה התאורטית מתייחסת למועדי התצפית הנתונים, ולא מבטיחה שחזור של תהליך המקור בכל רזולוציית זמן.

האם אפשר לייצר סדרות זמן ללא אימון רשת עצבית?

כן. גרסת הליבה של SBTS אומדת את הסחיפה של התהליך ישירות מהנתונים באמצעות רגרסיית גרעין, ללא אימון רשת עצבית וללא אמידה נפרדת של יחס צפיפויות. האומדן מעניק משקל רב יותר לדוגמאות שההיסטוריה שלהן דומה לזו של המסלול הנוצר. עם זאת, נדרשת בחירה זהירה של רוחב הפס, והגישה מתקשה ככל שהסדרות ארוכות יותר או כוללות משתנים רבים.

מהי ההשפעה של נתונים סינתטיים על גידור אופציות וניהול סיכונים?

נתונים סינתטיים יכולים לספק מסלולים נוספים לאימון מערכת גידור ולבדיקתה. ביישום על נתוני מניית אפל, אימון מערכת גידור עמוק על נתונים שיצרה SBTS הפחית את סטיית התקן של רווח והפסד במבחן מ־0.015 ל־0.013, לעומת אימון על נתונים היסטוריים בלבד. עם זאת, ממוצע רווח והפסד נשאר שלילי והפרמיה הייתה גבוהה יותר. זהו מקרה מבחן יחיד, ולכן אין להסיק ממנו שיפור מובטח בנכסים אחרים או בתנאי שוק שונים.

כיצד גשר שרדינגר מאפשר לייצג תלות בהיסטוריה של סדרת זמן?

ב־SBTS האילוץ חל על ההתפלגות המשותפת של רצף התצפיות כולו, ולא רק על ההתפלגות בתחילת המסלול ובסופו. הפתרון מתואר במשוואה דיפרנציאלית סטוכסטית שסחיפתה תלויה בזמן, במצב הנוכחי ובתצפיות קודמות. מבנה זה מאפשר לייצג תלות שאינה מרקובית, כלומר תלות שאינה מסתכמת במצב האחרון בלבד. כאשר סדרת המטרה מרקובית, התלות בהיסטוריית התצפיות מצטמצמת לתצפית האחרונה.

כיצד בוחרים רוחב פס ברגרסיית הגרעין, ולמה הוא חשוב?

רוחב הפס קובע אילו היסטוריות ייחשבו דומות לצורך אמידת הסחיפה. רוחב פס גדול עלול להחליק יתר על המידה ולטשטש מבנים חשובים; רוחב פס קטן עלול להסתמך על מעט מדי דוגמאות. הגישה המוצעת היא לבחור אותו לפי ביצועי חיזוי מותנה על נתונים המוחזקים בנפרד. בחירה זו אינה מבטלת את קללת הממד: בהיסטוריות ארוכות או בנתונים רבי־משתנים קשה למצוא מספיק דוגמאות קרובות.

האם SBTS עדיפה על TimeGAN ביצירת סדרות זמן?

לא באופן עקבי. בניסוי אוטורגרסיבי דו־ממדי, SBTS השיגה ציוני חיזוי טובים יותר בחלק מההגדרות שבהן שונה המתאם הזמני, אך TimeGAN הייתה טובה יותר בשתי הגדרות של מתאם בין משתנים. גם הבדלים בתיאור פרוטוקול החיזוי מחייבים זהירות בפרשנות. לכן יש לבחור שיטה לפי מאפייני הנתונים והמשימה, ולבדוק בנפרד שימור התפלגויות, תלות בזמן וביצועים ביישום היעד.

מחקרים קשורים