GAN para series temporales financieras

Toma dos redes neuronales, apúntalas la una contra la otra y déjalas pelear. Una — el generador — es un falsificador: toma un puñado de números aleatorios e intenta pintar un trozo de historia de mercado lo bastante convincente como para engañar a un crítico. La otra — el discriminador — es un detective: cuando le entregan una muestra, debe sentenciar “real” o “falsa”. En cada ronda, el falsificador recibe información sobre qué lo delató y el detective se vuelve más fino al cazarlo. Si dejas correr la carrera armamentística lo suficiente, en teoría las falsificaciones del falsificador acaban siendo indistinguibles de los retornos reales — momento en el que el detective queda reducido a lanzar una moneda al aire. Ese lanzamiento de moneda es la clave de todo: cuando el mejor crítico posible no puede superar el 50/50, el generador ha aprendido, por definición, la distribución de los datos.

Eso es la Red Generativa Antagónica (GAN), y sobre el papel es una de las ideas más elegantes del aprendizaje automático. Nunca escribes una verosimilitud, nunca supones una forma distribucional — simplemente dejas que la competición haga la estimación de densidad por ti. Para las imágenes produjo las famosas caras fotorrealistas. Para las finanzas, la promesa es seductora: un generador que haya interiorizado el comportamiento conjunto de los retornos podría escupir trayectorias de precios sintéticas ilimitadas que agrupen la volatilidad, engorden las colas y rompan el apalancamiento exactamente igual que las de verdad.

La pega es que las GAN son conceptualmente bellas y operativamente cascarrabias — y las finanzas les entregan las peores condiciones posibles. Las muestras son minúsculas (unos pocos miles de retornos diarios, no un millón de fotos etiquetadas), están empapadas de ruido y son no estacionarias. Una GAN que es meramente difícil de entrenar en ImageNet se convierte en una diva temperamental sobre una década de retornos del S&P 500. Esta lección es un recorrido de constructor por la maquinaria — el juego antagónico, las arquitecturas QuantGAN y TimeGAN, las variantes condicionales y de Wasserstein — emparejado con la advertencia de un escéptico sobre los dos demonios, el colapso de modos y la memorización, que esperan para arruinar tus pruebas de estrés y corromper tus backtests.

El juego antagónico

Analogía. Imagina un falsificador y un agente del Tesoro. El falsificador imprime billetes; el agente los inspecciona. Al principio el agente detecta las falsificaciones al instante (la marca de agua está mal), y ese rechazo enseña al falsificador qué corregir. A medida que los billetes mejoran, el agente tiene que encontrar pistas más sutiles. La carrera armamentística termina cuando los billetes son perfectos — el agente queda reducido a adivinar, y la moneda falsa es, funcionalmente, moneda real. Una GAN es ese bucle, automatizado, con gradientes haciendo de intuición del falsificador.

La definición. Un generador $G$ mapea un vector de ruido $z$ (extraído de un prior sencillo como una gaussiana estándar) a una muestra falsa $G(z)$. Un discriminador $D$ toma una muestra y devuelve la probabilidad de que sea real. Ambos optimizan un único objetivo minimax de dos jugadores:

Léelo primero desde el lado de $D$: $D$ quiere que $\log D(x)$ sea grande (llamar reales a los reales) y que $\log(1 - D(G(z)))$ sea grande (llamar falsas a las falsas), así que maximiza. Ahora léelo desde el lado de $G$: $G$ solo toca el segundo término y lo quiere pequeño — quiere que $D(G(z))$ esté cerca de 1, es decir, falsas confundidas con reales — así que minimiza. El único ideal es el equilibrio de Nash donde la distribución de salida de $G$ es igual a $p_{\text{data}}$; ahí, $D(x) = 0.5$ en todas partes y ningún jugador puede mejorar unilateralmente.

Recorrido resuelto de un paso de entrenamiento. El entrenamiento alterna dos actualizaciones por gradiente sobre un minilote:

1. Actualización del discriminador (G congelado). Muestrea retornos reales $\{x_i\}$ y ruido $\{z_i\}$. Digamos que en este lote $D$ asigna a los reales una puntuación media de $0.78$ y a las falsas $0.30$. El detective es decente pero imperfecto. Calcula la pérdida y da un paso de ascenso por gradiente sobre los pesos de $D$, empujando las puntuaciones reales hacia 1 y las falsas hacia 0.
2. Actualización del generador (D congelado). Mantén el mismo lote de ruido. Empuja los pesos de $G$ para que $D(G(z))$ suba — es decir, las falsas que puntuaban $0.30$ empiezan a puntuar $0.45$. En la práctica cambias el signo y maximizas $\log D(G(z))$ en lugar de minimizar $\log(1 - D(G(z)))$ (el truco “no saturante”), porque el término original tiene gradientes que se desvanecen exactamente cuando $G$ está perdiendo y necesita la señal más fuerte.

Repite durante miles de lotes. Un entrenamiento sano se parece a ambas pérdidas fluctuando, con la puntuación del discriminador derivando hacia $0.5$ — no a un jugador aplanando al otro.

Cuándo usarlo

Recurre al marco antagónico puro cuando quieras un generador sin verosimilitud — un modelo que capture estructura que no puedes o no quieres escribir como una densidad paramétrica. Ese es precisamente el caso de uso financiero: los retornos tienen colas anchas, agrupamiento de volatilidad y efectos de apalancamiento que ninguna forma cerrada limpia clava a la vez. Pero “usa una GAN” nunca significa “usa la GAN vainilla de 2014 tal cual” sobre los retornos; significa adoptar el juego y luego atornillarle los arreglos de arquitectura y de pérdida del resto de esta lección.

QuantGAN y la columna TCN

Analogía. Una red recurrente lee una serie temporal como una persona que lee un pergamino largo carácter a carácter, manteniéndolo todo en la memoria de trabajo — lenta, y propensa a olvidar el principio cuando llega al final. Una red convolucional temporal (TCN) es más bien como un objetivo gran angular con enfoque ajustable: al apilar convoluciones dilatadas (filtros que saltan cada 2.º paso, luego cada 4.º, luego cada 8.º), ve exponencialmente lejos hacia atrás en el tiempo mientras procesa cada posición en paralelo. La misma memoria larga, sin el cuello de botella secuencial.

La arquitectura. QuantGAN, de Wiese, Knobloch, Korn y Kretschmer, toma dos decisiones de diseño que importan:

• Generador y discriminador TCN. Ambas redes son pilas de convoluciones causales dilatadas — causales para que la salida en el instante $t$ dependa solo de las entradas en $t$ y anteriores (sin espiar el futuro, lo que sería hacer trampa con una serie temporal), dilatadas para que el campo receptivo crezca geométricamente con la profundidad. Conociste esta misma construcción en Deep Learning para Datos de Mercado; QuantGAN simplemente la mete en las dos mitades del juego antagónico.
• Una transformación de preprocesado invertible. Los log-retornos crudos tienen colas pesadas y son incómodos de modelar directamente para una red. QuantGAN aplica un mapeo invertible “log-retorno → aproximadamente gaussiano” (una transformación gaussianizadora tipo Lambert-W inversa más estandarización) antes de entrenar. El generador aprende entonces a producir la serie bien portada y casi gaussiana; en el momento de muestrear, ejecutas la transformación al revés para recuperar retornos realistamente de colas anchas. Modelar un objetivo manso y desdomesticarlo después es mucho más fácil que pedirle a la red que pariera colas anchas desde cero.

Por qué TCN antes que RNN aquí. Tres razones: (1) paralelismo — las convoluciones procesan toda la ventana de una vez, así que el entrenamiento es drásticamente más rápido que la recurrencia paso a paso; (2) gradientes estables — sin las patologías de explosión/desvanecimiento de la retropropagación en el tiempo; (3) un campo receptivo largo y controlable — para capturar el agrupamiento de volatilidad que persiste durante semanas, basta con añadir capas de dilatación, y puedes leer exactamente cuán atrás puede ver el modelo.

Ejemplo resuelto — campo receptivo. Con tamaño de kernel $k = 2$ y dilatación que se duplica por capa ($1, 2, 4, 8, \dots$), el campo receptivo tras $L$ capas es $1 + \sum_{\ell=0}^{L-1}(k-1)\,2^{\ell} = 2^{L}$. Así que $L = 8$ capas alcanzan $2^{8} = 256$ pasos hacia atrás — alrededor de un año de retornos diarios — mientras cada capa es una convolución paralela barata. Para duplicar la memoria a aproximadamente dos años, añades una capa, no 256 pasos recurrentes.

Lo que reproduce bien. En la evaluación del artículo frente al baremo que reconocerás de la lección de hechos estilizados, las trayectorias sintéticas de QuantGAN reproducen el agrupamiento de volatilidad (la autocorrelación de los retornos al cuadrado decae lentamente, como la serie real), las colas anchas (curtosis en exceso y comportamiento de cola cercanos a los empíricos), y la autocorrelación casi nula de los retornos crudos. Es un salto genuino sobre las líneas base clásicas de la lección anterior — aunque, como martilleará la lección 7, “coincidir con los hechos estilizados” es necesario, no suficiente.

Cuándo usarlo

Elige la receta QuantGAN cuando tu objetivo sea una serie de retornos univariante (o de baja dimensión) y tu prioridad sea reproducir fielmente los hechos estilizados marginales — agrupamiento de volatilidad y colas anchas — con un entrenamiento rápido y estable. La columna TCN es ya el valor por defecto para casi cualquier GAN de secuencias financieras; la transformación gaussianizadora se gana específicamente el sueldo cuando los retornos crudos tienen colas demasiado pesadas para que la red los modele cómodamente de frente.

TimeGAN y el condicionamiento

Analogía. Una GAN corriente entrenada sobre retornos puede aprender a producir una bolsa de valores con el histograma correcto — como un escritor que ha memorizado la frecuencia de cada palabra en español pero las hilvana como un galimatías. TimeGAN añade un profesor de gramática: una pérdida supervisada que califica si cada paso se sigue de forma plausible de los anteriores. Obtienes una bolsa con el contenido correcto y una frase que se analiza.

La arquitectura. TimeGAN, de Yoon, Jarrett y van der Schaar, fusiona tres señales de aprendizaje:

• Un embedding autocodificador — un codificador mapea secuencias reales a un espacio latente de menor dimensión y un decodificador las mapea de vuelta, de modo que el juego antagónico se juega en una representación compacta y aprendida en lugar del espacio de retornos crudo.
• Una pérdida supervisada paso a paso — en el espacio latente, una red se entrena para predecir el siguiente embedding a partir del historial de embeddings. Minimizar la diferencia entre el siguiente latente predicho y el real cuece explícitamente la dinámica temporal.
• Una pérdida antagónica — el término habitual de generador contra discriminador, operando sobre secuencias latentes, para coincidir con la distribución global.

Entrenar las tres conjuntamente produce un modelo que respeta tanto la marginal (qué valores ocurren) como la condicional (cómo el hoy depende del ayer) — la combinación que los modelos puramente antagónicos tienden a estropear.

GAN condicionales (cGAN). Tanto a $G$ como a $D$ se les puede alimentar una etiqueta extra $y$, de modo que modelan $p(x \mid y)$ en lugar de $p(x)$: el generador pasa a ser $G(z, y)$ y el discriminador $D(x, y)$. Para las finanzas, $y$ es una palanca que puedes girar en el momento de muestrear — una etiqueta de régimen (calma / crisis), un cubo de volatilidad o una covariable macro (nivel de tipos, diferencial de crédito). En lugar de una manguera indiferenciada de trayectorias, obtienes escenarios dirigibles.

Ejemplo conceptual resuelto — condicionar sobre un régimen de alta volatilidad. Supón que etiquetas cada ventana de entrenamiento con $y \in \{\text{baja-vol}, \text{alta-vol}\}$ usando, digamos, un umbral de volatilidad realizada. Entrenas $G(z, y)$ y $D(x, y)$ sobre los datos etiquetados. En el momento de generar fijas $y = \text{alta-vol}$ y extraes muchos vectores $z$: el modelo produce ahora solo trayectorias con sabor a crisis — oscilaciones más amplias, caídas más bruscas, colas más pesadas — bajo demanda. Eso es exactamente lo que quiere una mesa de pruebas de estrés o de escenarios de riesgo: cinta sintética tipo 2008 o tipo 2020 sin esperar al próximo 2008. (El coste: necesitas suficientes ventanas reales de alta volatilidad para aprender esa condicional, y las crisis son, por naturaleza, raras — un problema de muestreo con el que seguiremos topándonos.)

Cuándo usarlo

Recurre a TimeGAN cuando la dinámica temporal sea lo que más necesitas acertar — la estructura de autocorrelación, la forma en que la volatilidad se propaga de paso a paso — y un modelo solo marginal no dé la talla. Recurre a una GAN condicional cuando necesites generación controlable: escenarios de estrés por régimen, trayectorias hipotéticas a través de estados macro, o cualquier situación donde “dame muestras como esta” gane a “dame muestras”. Las dos componen — una TimeGAN condicional es una construcción perfectamente sensata.

GAN de Wasserstein y estabilidad del entrenamiento

Analogía. Imagina calificar los billetes del falsificador con un sello de apto/no apto. Una vez que los billetes son obviamente malos, todos suspenden — y “suspende, suspende, suspende” no le dice nada al falsificador sobre qué falsificación estuvo más cerca. Ahora imagina en su lugar medir, en euros, cuánto trabajo costaría reconformar el montón de falsas en el montón de reales. Hasta las falsas pésimas reciben una distancia significativa y suavemente decreciente que perseguir. Ese cambio — de un apto/no apto saturante a un suave “cuán separados están estos montones” — es exactamente lo que hace la GAN de Wasserstein.

La definición. El objetivo vainilla minimiza efectivamente la divergencia de Jensen–Shannon (JS) entre las distribuciones real y falsa, que es plana (gradiente nulo) cuando las dos apenas se solapan — frecuente al inicio del entrenamiento y desbocado con pocos datos donde $D$ separa los montones limpiamente. WGAN (Arjovsky et al.) intercambia por la distancia de Wasserstein-1, también conocida como la distancia del transportista de tierra (Earth-Mover) $W(p_{\text{data}}, p_g)$ — informalmente, el “masa por distancia” mínimo de trabajo para transportar una distribución sobre la otra. Su virtud clave: varía suavemente incluso cuando las distribuciones no se solapan, así que el generador siempre recibe un gradiente utilizable.

Para hacerlo tratable, WGAN reformula el discriminador como un crítico $f$ que devuelve una puntuación real sin acotar (no una probabilidad de 0 a 1), y la pérdida pasa a ser $\mathbb{E}[f(x)] - \mathbb{E}[f(G(z))]$. La dualidad del transportista de tierra solo se sostiene si $f$ es 1-Lipschitz (sus salidas no pueden cambiar más rápido que sus entradas), lo cual impones mediante:

• Recorte de pesos — acota los pesos del crítico dentro de $[-c, c]$ en cada paso (la WGAN original; tosco, puede distorsionar la capacidad), o
• Penalización de gradiente (WGAN-GP) — añade una penalización que empuja la norma del gradiente de entrada del crítico hacia 1 en puntos interpolados. Más suave y el valor por defecto moderno.

Por qué esto importa más en finanzas. Los conjuntos de datos financieros son pequeños. Un discriminador capaz puede prácticamente memorizar unos pocos miles de retornos reales y separar lo real de lo falso con casi total certeza casi de inmediato — lo que bajo el objetivo JS estampa el gradiente del generador a cero antes de que aprenda nada. El crítico de Wasserstein sigue devolviendo una señal graduada e informativa incluso cuando los montones están muy separados, así que $G$ sigue mejorando en lugar de atascarse. Sobre series minúsculas y ruidosas, WGAN-GP es menos un lujo que un mecanismo de supervivencia.

Intuición resuelta — por qué “cuán lejos” gana a “real o falso”. Supón que las falsas se agrupan cerca de $-2\%$ y las reales cerca de $+1\%$, sin solape. Un discriminador vainilla devuelve $\approx 0$ sobre cada falsa y $\approx 1$ sobre cada real — la JS está al máximo y plana, así que mover las falsas de $-2\%$ hacia $-1.5\%$ cambia la pérdida en esencialmente nada: sin gradiente, sin aprendizaje. La distancia de Wasserstein, en cambio, encoge de $3\%$ de “trabajo de transporte” a $2.5\%$ a medida que las falsas se acercan — un gradiente real, cuesta abajo, que apunta al generador en la dirección correcta. Distancia suave, aprendizaje suave.

Cuándo usarlo

Usa por defecto WGAN-GP siempre que el entrenamiento sea inestable o el generador se atasque pronto — lo que, sobre las muestras pequeñas y ruidosas de las finanzas, es la mayoría de las veces. Mantenla como tu pérdida de referencia y solo retrocede a la GAN de entropía cruzada estándar si tienes una razón específica que funcione. Solo recuerda lo que compra y lo que no: estabilidad de la optimización, sí; cobertura fiel de la distribución, no por sí sola.

Colapso de modos y memorización — los dos demonios

Estos son los dos modos de fallo que convierten una GAN prometedora en una peligrosa. Son enfermedades distintas con curas distintas — y sobre datos financieros, ambas son frecuentes.

Colapso de modos. Recuerda que $G$ mapea todo un espacio de vectores de ruido $z$ a salidas. En un modelo sano, barrer $z$ barre toda la diversidad de los datos — días en calma, tendencias, desplomes. En el colapso de modos, el generador descubre unas pocas salidas que engañan de forma fiable al discriminador actual y mapea muchos $z$ distintos a esas mismas pocas salidas, ignorando amplias regiones de la distribución real. El histograma de las falsas cubre solo parte del histograma real.

En finanzas esto es singularmente venenoso. El colapso más común es sobre el régimen central y en calma — el generador reproduce fielmente los días de trading ordinarios y casi nunca produce un desplome. Tus datos sintéticos parecen plausibles día a día, tu retorno medio está bien, y tu modelo de valor en riesgo entrenado sobre ellos será dichosa y catastróficamente optimista. Un generador de pruebas de estrés que no puede generar estrés es peor que inútil; está confiadamente equivocado precisamente sobre los escenarios que existe para explorar.

Memorización. El extremo opuesto. En lugar de aprender la distribución, $G$ aprende a reproducir las muestras de entrenamiento — emitiendo casi-copias exactas de ventanas que vio. Este generador aprueba con sobresaliente cada prueba de distribución: sus marginales, sus hechos estilizados, sus autocorrelaciones encajan a la perfección con los datos reales, porque son los datos reales, fotocopiados. Y ahí está la trampa. Si generas trayectorias sintéticas con una GAN memorizadora y las usas para construir o hacer backtest de una estrategia, has filtrado el futuro en tu backtest — la cinta “sintética” contiene los movimientos históricos reales contra los que tu estrategia será probada, así que parece brillante dentro de muestra y muere en real. Este es el peligro recurrente de todo el curso, y la prueba de evaluación de la lección 7 está construida en gran parte para cazarlo (distancias al vecino más cercano, discriminabilidad entrenamiento/prueba, comprobaciones de novedad fuera de muestra).

Ejemplo resuelto — mismo boletín de notas, enfermedades opuestas. Toma tres generadores evaluados sobre el baremo de hechos estilizados:

Fíjate en la cruel asimetría. El colapso de modos al menos se anuncia — las estadísticas de cola están visiblemente mal. La memorización es silenciosa en un boletín de distribución y solo aflora cuando pruebas específicamente la novedad. Un modelo que puntúa demasiado bien en cada métrica de hechos estilizados debería hacerte más sospechar, no menos.

Cuándo usarlo

Esta sección no es una herramienta que desplegar — es una lista de comprobación permanente que ejecutar. Cada GAN que entrenes sobre datos de mercado debe ser examinada por ambos demonios antes de que confíes en una sola trayectoria sintética: diagnósticos de cobertura de colas y de régimen para el colapso de modos, pruebas de novedad y de vecino más cercano para la memorización. Trata un generador como culpable hasta que se demuestre que innova. La lección 7 convierte este instinto en una prueba formal.

Recapitulación

Una GAN es una carrera armamentística: un generador forjando trayectorias de mercado a partir de ruido y un discriminador intentando cazarlas, convergiendo — en teoría — cuando el crítico queda reducido a lanzar una moneda y el generador ha aprendido la distribución de los datos. Para que eso funcione sobre series temporales financieras, el campo fue añadiendo capas de arreglos de arquitectura y de pérdida. QuantGAN intercambia por TCN (convoluciones causales dilatadas) para ambas redes y una transformación gaussianizadora para que el modelo apunte a una serie mansa y la desdomestique al muestrear — reproduciendo el agrupamiento de volatilidad y las colas anchas. TimeGAN añade un embedding autocodificador más una pérdida supervisada paso a paso para que el modelo aprenda la dinámica temporal, no solo la marginal, y las GAN condicionales te dejan fijar una etiqueta de régimen o macro para dirigir los escenarios. WGAN / WGAN-GP reemplaza el objetivo JS saturante por la suave distancia de Wasserstein bajo una restricción de Lipschitz, curando los gradientes que se desvanecen que plagan los conjuntos de datos financieros minúsculos. Pero nada de esto derrota a los dos demonios: el colapso de modos, donde el generador cubre solo parte de la distribución (típicamente el centro en calma, matando de hambre a las colas de desplome y destripando tus pruebas de estrés), y la memorización, donde copia los datos de entrenamiento, aprueba con sobresaliente cada métrica de distribución y filtra calladamente el futuro en tus backtests. El kit del constructor te da un modelo; la lista del escéptico — prueba ambos demonios, y desconfía de una puntuación perfecta de hechos estilizados — lo mantiene honesto. La prueba de la lección 7 es donde ese escepticismo se convierte en procedimiento.