Can you use autoregressive diffusion to generate market data?

가격 예측 모형은 다음 가격 하나를 맞힐 수 있지만, 시장 시뮬레이터는 거래가 언제 일어나고 호가가 어떻게 바뀌는지까지 만들어야 한다. Jane Street의 인턴 연구는 네 해의 미국 주식 자료에서 다음 사건을 생성한 뒤, 그 결과를 입력에 붙여 다음 사건을 다시 생성했다. 사건 종류는 별도 분류 모형이 정하고, 가격과 경과시간은 잡음에서 값을 만들어 가는 생성 모형이 맡는다.

어려운 점은 시장 자료에 자주 반복되는 특정 값이 있다는 것이다. 사건이 동시에 도착하면 시간 간격은 영이고, 가격은 현재 호가나 최소 가격 단위에 몰린다. 이를 매끈한 연속 분포로만 다루면 모양을 놓친다. 실제 표본에서 거래는 사건의 8%뿐이어서 종류별 불균형도 컸다. 연구자는 사건을 20개 범주로 세분화하고, 특정 값에 몰린 분포를 부드럽게 표현하는 방식을 시험했다.

평가는 실제 사건 10,240개를 문맥으로 주고 다음 사건 하나를 생성해, 각 변수의 분포를 실제 자료와 비교했다. 별도 판별 모형으로 변수 사이 관계까지 그럴듯한지도 살폈다. 수정한 표현은 이 평가에서 더 현실적인 표본을 만들었지만, 자신이 생성한 사건을 계속 이어 가는 실험에서는 호가 간격이 넓어졌다. 작은 오차가 다음 입력으로 되돌아가며 누적될 수 있어, 한 단계의 적합도와 긴 경로의 안정성을 따로 확인해야 한다는 결과다. 회사도 현실적인 생성기로 쓰기에는 아직 정확도가 부족하다고 밝혔다.