Tekoälyn ja koneoppimisen mallien hyödyntäminen on ollut yksi viime vuosikymmenen merkittävistä kehityksistä talouden ja rahoitusmarkkinoiden mallintamisessa ja ennustamisessa. Generatiiviset koneoppimisen mallit ovat yksi tärkeä esimerkki tällaisista menetelmistä. Tässä tutkimuksessa käsitellään ns. GAN-menetelmiä (engl. Generative Adversarial Networks, suom. generatiivinen kilpaileva verkosto). GAN on vuonna 2014 kehitetty koneoppimisen menetelmä, jonka pyrkimyksenä on oppia tuottamaan synteettistä mutta mahdollisimman realistista dataa alkuperäistä esimerkkiaineistoa hyödyntäen. GAN-menetelmiä käytettiin alunperin tuottamaan mm. realistisia kuvia, mutta nykyään niihin pohjaavia generatiivisia menetelmiä käytetään useilla eri tieteen aloilla. Aivan viime vuosina näitä menetelmiä on hyödynnetty myös taloustieteessä, ekonometriassa ja rahoituksessa esimerkiksi julkaisuissa Kaji, Manresa ja Pouliot (2023, Econometrica), Athey, Imbens, Metzger ja Munro (2024, Journal of Econometrics) sekä Chen, Pelger ja Zhu (2024, Management Science). Nyt suunnitellussa tutkimuksessa tarkastellaan kahta GAN-menetelmiin liittyvää kysymystä jotka ovat tärkeitä taloustieteen ja rahoituksen sovellusten kannalta. Tutkimuksen ensimmäinen osa-alue liittyy GAN-menetelmien tulkittavuuteen ja tilastolliseen päättelyyn. Yksi merkittävistä haasteista koneoppimisen menetelmien käytössä on niiden hankala tulkittavuus. Aivan viime vuosien tutkimus on kuitenkin alkanut kehittää erilaisia näille menetelmille soveltuvia tilastollisen päättelyn työkaluja. Yksi suunnitellun tutkimuksen tavoitteista on parantaa aiemmin ehdotettuja tilastollisen päättelyn työkaluja GAN-menetelmille. Tutkimuksessa ehdotetut työkalut mahdollistavat tilastollisen päättelyn kun GAN- menetelmiä sovelletaan mm. taloustieteen ja rahoituksen alueilla. Tämä on tärkeää luotettavien johtopäätösten tekemiseen GAN-menetelmiä sovellettaessa. Tutkimuksen toinen osa-alue liittyy GAN-menetelmien käyttöön aikasarja-aineistoilla. Lähes kaikki olemassaoleva GAN-menetelmien tutkimus keskittyy aineistoihin joissa ei ole riippuvuutta yli ajan, kun taas taloustieteen ja rahoituksen empiirisessä tutkimuksessa käytetyt aineistot ovat usein aikasarja-aineistoja. Yksi suunnitellun tutkimuksen tavoitteista on laajentaa GAN-menetelmien soveltuvuutta aikasarja-aineistoihin. Tutkimuksessa kehitetään GAN-menetelmiä moniulotteisille aikasarjoille ja vertaillaan niiden toimivuutta rahoitusekonometriassa usein käytettyihin moniulotteisiin GARCH-malleihin. Nyt suunniteltu tutkimus edistää koneoppimisen GAN-menetelmien käyttöä taloustieteen ja rahoituksen empiirisessä aikasarjatutkimuksessa.

2025