Simulating financial time series has a long history and is found in various applications in quantitive finance. With the recent advances in deep learning algorithms, several neural network based generators emerged. In Bühler et al. 2020 a Conditional Variational Autoencoder (CVAE) is used to build such a generative model. This approach allows for a more targeted data generation. The CVAE is enriched by using the signature of a path as input data. We investigate how suitable the usage of signatures is and highlight its advantages and disadvantages. One of the main topics is the inversion of signatures, which is a highly non-trivial task. We present two methods to invert signatures and evaluate their runtime and performance with respect to the generative aspect of the model. Incorporating these methods, we experimented with models based on different types of signatures in combination with varying pre- and postprocessing methods, such as the concatenation of generated paths. Inspecting the derived models, we aim to find methods enhancing our CVAE. This is achieved by a two-part analysis. First, we examine the distribution of paths recovered from preprocessed observed signatures. Second, we inspect the distribution of paths generated by our models. An application of our CVAE on outlier detection demonstrated the prowess of our model. The CVAE also showed promising results when applied to forecasting.      «

Simulating financial time series has a long history and is found in various applications in quantitive finance. With the recent advances in deep learning algorithms, several neural network based generators emerged. In Bühler et al. 2020 a Conditional Variational Autoencoder (CVAE) is used to build such a generative model. This approach allows for a more targeted data generation. The CVAE is enriched by using the signature of a path as input data. We investigate how suitable the usage of signat...     »

Die Simulation von Finanzzeitreihen hat eine lange Geschichte und findet Anwendung in verschiedenen Bereichen der quantitativen Finanzwissenschaften. Mit den jüngsten Fortschritten in Deep-Learning-Algorithmen sind mehrere Generatoren auf Basis neuronaler Netzwerke entstanden. In Bühler et al. 2020 wird ein Conditional Variational Autoencoder (CVAE) verwendet, um ein solches generatives Modell zu entwickeln. Dieser Ansatz ermöglicht eine gezieltere Datengenerierung. Der CVAE wird durch die Verwendung der Signatur eines Pfades bereichert. Wir untersuchen, wie geeignet der Einsatz von Signaturen ist, und heben ihre Vor- und Nachteile hervor. Eines der Hauptthemen ist die Inversion von Signaturen, die eine hochgradig nicht triviale Aufgabe darstellt. Wir präsentieren zwei Methoden zur Inversion von Signaturen und bewerten deren Laufzeit und Performance im Hinblick auf den generativen Aspekt des Modells. Unter Einbeziehung dieser Methoden experimentieren wir an Modellen, welche auf verschiedene Arten von Signaturen aufbauen und mit unterschiedlichen Vor- und Nachverarbeitungsmethoden kombiniert werden, unter anderem auch der Verkettung generierter Pfade. Durch die Untersuchung der hergeleiteten Modelle streben wir an, Methoden zu finden, die unseren CVAE verbessern. Dies wird durch eine zweigeteilte Analyse erreicht. Zunächst untersuchen wir die Verteilung von Pfaden, die aus vorverarbeiteten beobachteten Signaturen rekonstruiert werden. Anschließend analysieren wir die Verteilung von Pfaden, die von unseren Modellen generiert werden. Eine Anwendung unseres CVAE zur Outlier Detection zeigt die Stärke unseres Modells. Auch beim Forecasting zeigte der CVAE vielversprechende Resultate.      «

Die Simulation von Finanzzeitreihen hat eine lange Geschichte und findet Anwendung in verschiedenen Bereichen der quantitativen Finanzwissenschaften. Mit den jüngsten Fortschritten in Deep-Learning-Algorithmen sind mehrere Generatoren auf Basis neuronaler Netzwerke entstanden. In Bühler et al. 2020 wird ein Conditional Variational Autoencoder (CVAE) verwendet, um ein solches generatives Modell zu entwickeln. Dieser Ansatz ermöglicht eine gezieltere Datengenerierung. Der CVAE wird durch die Verwe...     »