华泰证券-华泰人工智能系列之三十六：相对生成对抗网络RGAN实证-200922

《华泰证券-华泰人工智能系列之三十六：相对生成对抗网络RGAN实证-200922（38页）.pdf》由会员分享，可在线阅读，更多相关《华泰证券-华泰人工智能系列之三十六：相对生成对抗网络RGAN实证-200922（38页）.pdf（38页精品完整版）》请在悟空智库报告文库上搜索。

RGAN引入相对损失函数，提高训练稳定性，可应用于金融时间序列模拟本文介绍GAN的一类重要变式――相对生成对抗网络（RGAN），并将其应用于金融资产时华泰证券间序列的生成，发现RGAN在生成数据的真实性上优于原始GAN。

GAN的绝对判别器直接将某一类样本作为输入，判定该样本是否真实；而RGAN的相对判别器将真假样本对作为输入，以其中一个样本作为基准，计算另一个样本相对基准更华泰人工智能系列之三十六加真实的程度，再给出判定结果，使得判别器更稳健，生成对抗网络训练更稳定。

使用GAN和RGAN生成上证综指日频和标普500月频收益率序列，结果表明GAN无法复现出真相对生成对抗网络RGAN实证实序列的长时程相关等特性，RGAN则有显著改善。

相对损失函数使生成器能够影响整个损失函数，克服原始GAN的华泰证券缺陷RGAN能克服原始GAN模型的缺陷。

原始GAN的生成器不能影响真华泰人工智能系列之三十六样本的判定结果，只能影响一半的损失函数。

相对生成对抗网络RGAN实证这导致判别器不具备“输入样本一半为假”的先验知识，并且生成器的训练过程无法最小化JS散度。

RGAN引入先验知识，并且使生成器能够最小化华泰证券JS散度。

此外，若允许生成器影响真样本的判定结果，华泰人工智能系列之三十六损失函数梯度会向基于IPM的GAN靠近，从而拥有一些基于IPM的GAN所具备的优良性质，判别器训练过程中真样本的影响不会下降过快。

相对判别器对真样本的判定以假样本作为基准，相对生成对抗网络RGAN实证因此生成器能够影响真样本的判定结果，克服上述由绝对判别器带来的缺陷。

RaGAN对基准样本的判别器原始输出进行平均，减少梯度随机性实践中一般采用RGAN的改进形式R华泰证券aGAN。

RGAN的算法选取随机样本对，判定其中一个样本比另一个华泰人工智能系列之三十六样本更真实的程度。

上述随机样本选取导致相对判定的结果存相对生成对抗网络RGAN实证在较大的不确定性，进而增加损失函数梯度的随机性。

相对平均生成对抗网络（RaGAN）先对一组基准样本的判别器原始输出进行平均，再取其均值作为基准华泰证券，从而降低了梯度的随机性，同时也没有增加算法的时间复杂度。

RGAN和RaGAN生成序列表现接近，相比GAN在部分场景华泰人工智能系列之三十六有显著提升实证部分我们检验在SGAN、LSGAN、HingeGAN这三种GAN上应用相对损失函数和相对平均损失函数的效果。

测试过程中，我们保持基准GAN和相对GAN的网络及参数基本相同，相对生成对抗网络RGAN实证并采用多项统计指标评价生成质量。

结果华泰证券表明，部分指标上基准GAN、RGAN和RaGAN均有优良表现；另一部分指标上，基准GAN表现不佳，RGAN和RaGAN相比于基准GAN则有显著提升。

例如上证综指日频数据集上，S华泰人工智能系列之三十六GAN生成序列的长时程相关性不明显，相应的RSGAN和RaSGAN则有显著改进。

相对生成对抗网络RGAN实证风险提示：RGAN生成虚假序列是对市场规律的探索，不构成任何投资建议。

华泰证券RGAN模型可能存在黑箱问题，训练不收敛不同步，以及模式崩溃问题。

深度学习华泰人工智能系列之三十六模型存在过拟合的可能。

深度学习模型是对历史规律的相对生成对抗网络RGAN实证总结，如果市场规律发生变化，模型存在失效的可能。