Deep Generative Modeling für Finanzzeitreihen mit Anwendung auf den VaR: Ein vergleichender Überblick[Deep Generative Modeling for Financial Time Series with Application in VaR: A Comparative Review]

In der Finanzdienstleistungsbranche ist die Prognose der Risikofaktorverteilung – abhängig von der Historie und dem aktuellen Marktumfeld – entscheidend für die Modellierung von Marktrisiken im Allgemeinen und von Value-at-Risk-Modellen (VaR) im Besonderen. Die historische Simulation (HS), eines der am weitesten verbreiteten VaR-Modelle bei Geschäftsbanken, nutzt die empirische Verteilung der Tagesrenditen innerhalb eines historischen Zeitfensters als Prognoseverteilung für die Risikofaktorrenditen des Folgetages. Ziel bei der Generierung von Finanzzeitreihen ist es, synthetische Datenpfade zu erzeugen, die eine hohe Vielfalt aufweisen und hinsichtlich Verteilung sowie Dynamik den ursprünglichen historischen Daten ähneln. In dieser Arbeit wenden wir verschiedene bestehende generative Deep-Learning-Verfahren (z. B. CGAN, CWGAN, Diffusion und Signature WGAN) zur bedingten Zeitreihengenerierung an und stellen zwei neue Methoden für die bedingte Mehrschritt-Zeitreihengenerierung vor und testen diese: das Encoder-Decoder-CGAN und das Conditional TimeVAE. Darüber hinaus führen wir einen umfassenden Rahmen (Framework) mit einer Reihe von Leistungskennzahlen (KPIs) ein, um die Qualität der für die Finanzmodellierung generierten Zeitreihen zu bewerten. Diese KPIs decken Verteilungsabstände, Autokorrelation und Backtesting ab. Alle Modelle (HS, parametrische Ansätze und neuronale Netze) werden sowohl anhand historischer Daten zur USD-Zinsstrukturkurve als auch anhand zusätzlicher, mittels GARCH- und CIR-Prozessen simulierter Daten getestet. Die Studie zeigt, dass HS-, GARCH- und CWGAN-Modelle die besten Ergebnisse liefern. Abschließend werden zukünftige Forschungsrichtungen in diesem Bereich erörtert.