华泰证券-华泰人工智能系列之三十五：WGAN应用于金融时间序列生成-200828

《华泰证券-华泰人工智能系列之三十五：WGAN应用于金融时间序列生成-200828（36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三十五：WGAN应用于金融时间序列生成-200828（36页）.pdf（36页精品完整版）》请在悟空智库报告文库上搜索。

WGAN模型可应用于金融资产时间序列生成，效果优于原始GAN模型本文探讨GAN模型的一类重要变体――WGAN，并将其运用于金融资产时间序列的生成，发现WGAN在生成数据的华泰证券真实性和多样性上均优于原始GAN。

原始GAN模型华泰人工智能系列之三十五具有训练不同步、训练损失函数不收敛和模式崩溃的缺点。

WGAN模型使WGAN应用于金融时间序列生成用Wasserstein距离衡量真实分布与生成分布之间的距离，克服了原始GAN模型中JS距离的缺陷。

使用GAN和WGAN生成上证综指日频和标普500月频收益率序列，结果表明GAN无法复现出真实序列的长时程相关等特性，WGAN则有显著改善，并且WGAN在多样性上相比于G华泰证券AN也有一定提升。

W距离克服了JS散度的缺陷华泰人工智能系列之三十五，在生成对抗网络中是更合适的距离指标原始GAN模型的主要缺点是判别器D和生成器G训练不同步、训练损失函数不收敛和模式崩溃。

其中训练不同步问题与JS散度的梯度消失现象有关；模式崩溃由KL散度的不对称性导致；损失函数不收敛由GAN本身D和G的博WGAN应用于金融时间序列生成弈导致。

W距离避免了JS散度带来的梯度消失现象，故而华泰证券不用再小心平衡D和G的训练过程。

WGAN用判别器近似估计真假分布间的W距离，随着训练的进行，W距离越来越小，即判别器的损失函数收敛，华泰人工智能系列之三十五可以辅助指示训练进程。

因此相比于JS散度和WGAN应用于金融时间序列生成KL散度，W距离是应用于生成对抗网络里更合适的衡量分布间“距离”的指标。

华泰证券WGAN生成序列在“真实性”上相比于GAN模型有进一步的提升数据实证部分围绕WGAN与GAN模型的对比展开，我们选取上证综指日频和标普500月频的对数收益率序列进行生成训练并展示结果。

除自相关性、厚尾分布、波动率聚集、杠杆效应、粗细波动率相关、盈亏不对称性这六华泰人工智能系列之三十五项指标以外，本文还引入方差比率检验、长时程相关的Hurst指数两项指标验证生成序列的真实性。

在上证综指日频序列上，GAN生成序列在Hurst指标上与真实序列仍有差距，WGAN则有显著改善；在标普500月频数据上，GAN生成序列在波动率聚集、粗细波动率相关和盈亏不对称性指标上表现不佳，WGAN也改善明显，WGAN应用于金融时间序列生成更接近真实序列。

WGAN生成序列在不失真的基础上相比于GAN生成华泰证券序列更加多样另外我们引入衡量序列相似性的DTW指标，评价生成序列的多样性。

在上证综指日频序列上，W华泰人工智能系列之三十五GAN生成序列多样性相较于GAN有小幅提升；在标普500月频数据上，WGAN生成序列多样性相较于GAN有明显提升。

我们看到的不WGAN应用于金融时间序列生成再是重复的生成序列，而是观察到了更多的市场可能性。

风险提示：WGAN生成虚假序列是对市华泰证券场规律的探索，不构成任何投资建议。

WGAN模型存在黑箱问题，深度学华泰人工智能系列之三十五习存在过拟合的可能。

WGAN应用于金融时间序列生成深度学习模型是对历史规律的总结，如果市场规律发生变化，模型存在失效的可能。