Flow Matching Generative Market Engine
генерация рыночных сценариев за 8 шагов
2 min readupdated
Движок от автора At1uri генерирует синтетические финансовые временные ряды, распределения активов с «тяжёлыми хвостами» и динамику биржевого стакана. В основе лежат архитектура Continuous Normalizing Flow (непрерывные нормализующие потоки) и метод Optimal Transport Flow Matching, который строит прямые траектории от простого гауссовского шума к реальным рыночным доходностям. В отличие от классических диффузионных моделей, требующих от 50 до 1000 итераций, система формирует выборки всего за 4–8 шагов методом Runge-Kutta 4 (RK4). Инструмент пригодится квантам, риск-менеджерам и исследователям для стресс-тестирования портфелей и моделирования редких рыночных аномалий.
Ключевые особенности
- Высокая скорость генерации: решение дифференциального уравнения методом RK4 требует 4–8 вычислений функции (NFE) вместо 1000 шагов у DDPM.
- 5 рыночных режимов: поддержка спокойного тренда, кластеризации волатильности с тяжёлыми хвостами, кризисов ликвидности и флэш-крахов, скачкообразной диффузии (модель Бейтса) и межрыночных корреляций.
- Точная оценка правдоподобия: детерминированное векторное поле скорости исключает дисперсию усечения при расчёте вероятностей.
- Готовая экосистема: вместе с моделью опубликованы датасет бенчмарков и интерактивная студия симуляций.
Что можно сделать
- Стресс-тестировать алгоритмы и портфели: сгенерировать тысячи траекторий флэш-крахов и кризисов ликвидности в режиме
Liquidity Crisis & Flash Crash. - Симулировать кластеризацию волатильности: получить синтетические доходности с распределением Стьюдента для проверки риск-моделей на экстремальных выбросах.
- Моделировать мультиактивные портфели: воспроизвести коррелированную дисперсию сразу по нескольким взаимосвязанным активам.
Пример
from flow_engine import ContinuousNormalizingFlowEngine
engine = ContinuousNormalizingFlowEngine()
result = engine.sample(
num_samples=1000,
nfe_steps=8,
regime="heavy_tailed_volatility_clustering"
)
print(result['kurtosis'], result['skewness'])
Подробнее
Бенчмарк: ошибка W2 Transport Error составляет 0.014 при 8 NFE (против 0.038 при 20 NFE у Rectified Flow, 0.065 при 100 NFE у Score-based SDE и 0.082 при 1000 NFE у DDPM).Математика: обучение по регрессии векторного поля скорости вдоль геодезических 2-Wasserstein Optimal Transport.
Лицензия: Apache-2.0.










Comments