• RGAN通过引入相对判别器和相对损失函数，使生成器能同时提升虚假样本被判定为真的概率并降低真实样本的判定概率，提升训练过程的合理性与稳定性。[pidx::0,4,11]

- 原始SGAN中，生成器无法影响真样本判定结果，导致判别器缺乏输入一半样本为假的先验知识，且生成器训练无法最小化Jensen-Shannon散度（JS散度），制约模型表现。[pidx::6,7,10]

• RGAN与RaGAN区别在于RaGAN在判别器输出时先对基准样本输出进行平均，降低了梯度随机性，提升算法稳定性且时间复杂度不变，实务中更常用。[pidx::13,14]

- 采用RGAN和RaGAN改造的SGAN、LSGAN、HingeGAN模型，在上证综指及标普500数据集上的实验表明，相对损失函数显著提升了模型捕捉长时程相关性（Hurst指数>0.5）及部分金融特征的能力。[pidx::18-26]

• 评价指标显示，RGAN生成的序列在自相关性、厚尾分布、波动率聚集、杠杆效应等与真实序列相近，表现好于传统GAN的部分指标，生成序列多样性整体与GAN接近。[pidx::20-21]

- RaGAN改造的LSGAN和HingeGAN在盈亏不对称性、杠杆效应等特定指标上较非相对GAN效果更优，进一步验证了相对损失函数的优势。[pidx::22-25]

• 基于IPM的WGAN和RGAN均改善了GAN训练，但RGAN更擅长提升生成数据真实度，WGAN则在生成多样性方面表现更好，二者性质互补。[pidx::26]

金工研究报告深度分析：相对生成对抗网络（RGAN）及其在金融时间序列仿真中的应用

---

一、元数据与报告概览

• 报告标题：相对生成对抗网络 RGAN 实证华泰人工智能系列之三十六

- 发布机构：华泰证券研究所

• 发布日期：2020年09月22日

- 研究员：林晓明、李子钰、何康

• 研究主题：金融领域生成对抗网络（GAN）模型的改进与应用，重点为相对生成对抗网络（RGAN）及其变体RaGAN，应用于上证综指和标普500收益率时间序列的模拟。

核心论点及目标：
报告系统介绍了生成对抗网络的一个重要变种——相对生成对抗网络（RGAN），并通过理论分析和实证研究，表明RGAN及其扩展RaGAN在金融时间序列生成中能克服传统GAN的缺陷，提高生成数据的真实性与模型训练的稳定性。具体通过改进判别器由绝对判别转为相对判别，使生成器能够影响整个损失函数，解决经典GAN无法影响真实样本判定结果的问题。
实证结果表明，RGAN和RaGAN在多项评价指标上优于传统GAN，尤其在序列的长时程相关性（Hurst指数）等关键金融特征上展现改善。
报告附带大量图表，包含理论证明、算法伪代码、模型结构及大量实证对比，全面系统。[pidx::0][pidx::4][pidx::26]

---

二、逐节深度解读

2.1 概念解析与理论基础——GAN及其缺陷（页5-10）

• 关键内容：

- 广义GAN定义了判别器和生成器不同的损失函数，可以分为饱和和非饱和两种类型。
- 传统SGAN采用交叉熵损失函数和Sigmoid变换，其生成器只能提升假样本被判定为真的概率，无法降低真样本被判定为真概率，导致判别器训练缺少“输入数据半真实半虚假”的先验知识。
- 理论上，SGAN的训练目标是最小化真实数据分布和生成数据分布的Jensen-Shannon（JS）散度，但实际上由于生成器不能影响真样本判定概率，导致训练过程无法收敛到最小JS散度。
- 对比指出基于积分概率测度（IPM）的GAN（如WGAN）的损失函数能同时影响真伪样本，拥有更优梯度特性，避免判别器过早聚焦假样本，阻碍学习。
- 损失函数和梯度分析指出SGAN存在的三个核心缺陷：判别器缺乏先验知识，无法最小化JS散度，真样本梯度影响减弱。[pidx::5][pidx::6][pidx::7][pidx::8][pidx::9][pidx::10]

• 图表解读：

- 图表1（GAN损失函数流程图）显示了真实数据和生成样本如何经过判别器网络及变换层到损失函数的计算。
- 图表2分类了广义GAN，通过判别器变换层（Sigmoid或恒等函数）、损失类型（交叉熵、最小二乘、HINGE）和生成器-判别器损失关系（饱和/非饱和）区分GAN变体。
- 图表3描绘了SGAN理想训练过程，体现生成器无法降低真样本判定概率的限制。
- 图表4通过网络训练中判别器对真伪数据判定概率的迭代变化，展示实际训练路径与理论最小JS路径的差异。
- 图表5总结了真样本判真概率不下降造成的缺陷。

---

2.2 相对生成对抗网络（RGAN）的提出与定义（页11-14）

• 关键内容：

- RGAN核心在于将判别器由绝对判别改为相对判别，即判别器基于真样本与生成样本的一对比较判定“哪个更真实”，对应的损失函数改为相对损失函数。
- 该机制允许生成器不仅提升生成样本的真实概率，也能降低真样本的真实概率，弥补传统GAN的不足；因此对训练稳定性和样本质量有积极影响。
- RaGAN为RGAN的改进版本，引入“相对平均”思想，即判别器计算时先对基准样本输出取均值，降低随机性且计算复杂度仅为O(m)（m为样本数），相较于RGAN随机配对的O(m²)。
- RGAN和RaGAN的损失函数公式及算法伪代码详述，明确了损失函数的结构和优化逻辑。
- 论文实例示意（图表中的面包与狗案例）对比了绝对判别器与相对判别器在不同真实度组合下的判决差异，凸显相对判别器的优势，尤其在假样本贴近真样本时更合理判定。[pidx::11][pidx::12][pidx::13][pidx::14]

• 图表解读：

- 面包与狗图片的判别输出对比清晰说明传统判别器仅根据真样本原始输出判定概率，而相对判别器考虑真伪样本输出差异，从相对视角得出更合理的判定概率，为该技术的直观优势提供例证。

---

2.3 实证设计及模型结构（页15-17）

• 关键内容：

- 使用上证综指日频序列和标普500月频序列为训练数据，采用滑动窗口技术获取样本。
- 改造传统SGAN、LSGAN、HingeGAN三种GAN类型为对应的相对损失版本（RSGAN、RaLSGAN、RaHingeGAN）作为对比组。
- 网络结构统一沿用此前相关研究，保持判别器和生成器深度神经网络结构基本一致，判别器学习率在相对GAN模型中提升10倍以适应相对判别机制。
- 评价指标细致，多维度覆盖金融序列的统计性质，包含9项指标用以全面评价生成序列的真实性和稳定性。
- 说明相对损失函数训练难度更高，生成器损失值较绝对损失函数整体偏高，反映“比真实更真实”的本质难度。[pidx::15][pidx::16][pidx::17]

• 图表解读：

- 图表9列示训练数据集，证实数据来源和特性。
- 图表10总结不同GAN模型的核心区别，展示相对与非相对的差异。
- 图表11展示各种损失函数曲线形态，帮助理解不同损失函数对训练的影响。
- 图表12、13具体体现生成器和判别器结构设计的细节。

---

2.4 实证结果及指标分析（页18-21）

• 关键内容：

- RSGAN和RaSGAN在上证综指日频序列建模中表现稳定，生成器损失明显高于判别器损失，符合理论预期。
- 生成序列在各项金融统计特征（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）上与真实数据高度一致，且在Hurst指数（长时程相关性指标）表现显著优于传统SGAN。
- 生成序列多样性指标显示三者相近，RSGAN和RaSGAN略有优势。
- 实证结果强调相对GAN在保留真实数据统计特性的同时提升序列质量。
- 图表15-19呈现训练损失曲线及生成样本时序，20-28呈现详细统计指标和多样性对比，均支持上述结论。
- 标普500月频测试结果也显示类似趋势，详见附录。[pidx::18][pidx::19][pidx::20][pidx::21]

• 图表解读：

- 图表15-16展示了生成器和判别器损失函数曲线，说明训练稳定且高损失种类符合相对判别器特性。
- 图表17-19展示上证综指真实与生成价格序列，形态相近但生成序列更具多样性。
- 图表20-23及21-24分别展示真实序列与各种生成序列的六项关键金融指标，显示RSGAN和RaSGAN均较好复现真实序列特征。
- 图表25-26等展示方差比率和Hurst指数分布，突出相对GAN提升了长时程相关的建模能力。
- 图表27-28展示动态时间规整（DTW）距离的分布，体现生成序列的多样性。

---

2.5 相对平均GAN变体实证结果（页22-25）

• 关键内容：

- RaLSGAN和RaHingeGAN延续相对损失网络改造方法，适用最小二乘和Hinge损失函数。
- 损失函数表现与传统GAN同类损失函数形态类似但进一步稳健，生成序列形态与真实数据相符。
- 在关键统计指标中，RaHingeGAN在杠杆效应和盈亏不对称性等金融特征上表现明显优于HingeGAN。
- Hurst指数结果表明相对平均GAN变体大幅提升了序列的长时程相关特征。
- 多样性指标方面，RaLSGAN生成序列多样性略高，RaHingeGAN略低于对应传统GAN，反映RGAN改进可能主要提升真实性而未显著改善多样性。
- 附图33-45详尽展示了不同模型损失函数、生成序列示例及多项评价指标对比。[pidx::22][pidx::23][pidx::24][pidx::25]

---

2.6 总结与讨论（页26）

• 关键内容：

- RGAN通过相对判别器和损失函数的引入，克服了传统GAN无法影响真实样本判定概率的缺陷，赋予模型稳定训练和更真实数据生成的能力。
- 相对判别器提高判别器的先验知识，使其训练更合理；生成器得以最小化JS散度，损失函数梯度特性更接近优秀的基于IPM的GAN。
- RaGAN的改进降低了损失函数梯度的随机性，提升训练的稳定性且无显著复杂度提升。
- 实证证明相对损失函数在不同GAN变体上的应用均带来了样本质量的改进，部分关键指标如Hurst指数长程相关性明显优化。
- 与WGAN相比，RGAN在真实性指标层面表现接近但在多样性指标上稍逊，因RGAN未专门针对模式崩溃设计。
- 未来方向包括拓展相对损失函数至更多损失类型，探索网络结构和正则化方法对GAN表现的影响。[pidx::26]

• 图表46展示了多种GAN在八项指标下的综合表现，彰显相对GAN的综合优势。

---

2.7 附录与扩展测试（页28-34）

• 关键内容：

- 论证基于IPM的GAN是RGAN的一个特例，理论拓展了相对判别器和损失函数范围。
- 详细展示标普500月频序列上RGAN及其变体的相似实证结果，证明模型改进的普适性和稳定性。
- 大量图表包含各个模型损失函数、生成价格序列范例及六项评价指标，支持正文结论。
- 多样性和统计性能在不同时间尺度的股指数据集均保持一致，验证了RGAN方法的有效性和鲁棒性。[pidx::28][pidx::29][pidx::30][pidx::31][pidx::32][pidx::33][pidx::34]

---

三、图表深度解读

围绕若干重要图表给出核心解读与联系：

• 图表1：展示了GAN损失函数计算流程，清晰呈现损失函数如何基于判别器网络输出与变换层，结合真伪样本的判定输出，计算最终损失，奠定整个GAN训练技术流程基础。

- 图表4：详细对比理想最小JS散度训练、实际SGAN训练及理想生成器训练路径，直观揭示SGAN训练中判别器对真样本判定概率无法下降导致的问题，强化相对判别器需求。

• 图示相对判别器案例（面包与狗）：以通俗图像说明了相对判别器在真假样本极度接近或真假标签反差较小时更合理的比较判定优势。

- 图表15-16 & 29-32（损失函数曲线）：直观呈现相对GAN变体在训练过程中生成器损失高于判别器，符合“比真实更真实”的模型设计，保持训练稳定性。

• 图表17-19 & 33-36（生成价格序列示例）：对比真实指数与生成样本的价格走势，证明生成序列在形态上与历史数据相似，有助于实际金融建模应用。

- 图表20-23 & 37-40（六项评价指标）：展示多维统计特征复现，如自相关、厚尾、波动聚集等，反映模型对复杂金融时间序列属性的学习效果，相对GAN普遍优于传统GAN。

• 图表25 & 42（方差比率）：评估生成序列在不同时间尺度上的波动表现，三类模型表现较为接近，确保波动特征没有失真。

- 图表26 & 43（Hurst指数假设检验）：关键指标，显示相对GAN系列明显提升了序列长时程相关特征，是真实数据建模的突破。

• 图表27-28 & 44-45（多样性指标）：动态时间规整距离分布描述生成序列的多样性，说明相对GAN改变真实性同时，多样性保持稳定，部分小幅波动。

- 附录图表47-76：验证标普500上的模型表现一致性，加强了结论的普遍适用性。

所有图表数据均可视为报告结论的有力证据，且图文结合紧密，体现系统性实证过程和充分验证。

---

四、估值分析

本研究报告主要集中于金融AI模型改进与实证，未涉及具体的企业估值、目标价或投资评级，因此无估值方法或目标价讨论。报告着重于模型性能评估，并强调风险提示以提示模型应用限制。

---

五、风险因素评估

报告明确指出RGAN存在的主要风险：

• 模型黑箱问题：深度学习模型透明度较低，内部机制难以解释。

- 训练不收敛或不同步：模型训练可能失败，导致不稳定或无效生成。

• 模式崩溃（Mode Collapse）：生成模型可能陷入单一模式，生成样本缺乏多样性。

- 过拟合风险：历史数据规律总结，无法适应未来变动，导致模型失效。

• 非投资建议声明：生成的虚假序列仅为市场规律探索，不构成投资建议。

报告未提供具体缓解策略，体现模型研究属性而非应用推广性质。[pidx::0][pidx::27]

---

六、批判性视角与细微差别

• 报告结构紧凑，理论推导与实证严谨，但仍存在以下需慎重关注之处：

- 假设依赖性：模型性能高度依赖训练数据特性及损失函数设计，尚需验证对不同市场环境下的适应性。
- 随机性影响：RGAN与RaGAN在梯度计算中的随机性差异暗示训练过程具不确定性，可能影响复现和稳定性。
- 模式崩溃风险未充分解决：虽在某些指标上优于GAN，但并未根本解决多模态生成难题，这限制了生成序列的多样性提升。
- 缺少实时交易或经济价值验证：模型优于指标验证，但未示范在金融实际投资决策中的应用价值或交易表现。
- 损失函数调参依赖较强：相对判别器学习率显著提升（10倍），该调整是否会带来其他训练风险未讨论。
- 部分定量结论无需实证确凿验证：例如Hurst指数提升是否完全因相对损失函数改进，以及该指标提升能否确切转化为金融应用价值。
- 理论与实践对比可能存在偏差：部分图示如理想路径虚线及概率估计，实际金融数据序列生成难以完全满足。

整体而言，报告总体立场客观，但在结论推广至市场实际应用层面仍需审慎及进一步验证。

---

七、结论性综合

本报告系统深入研究了生成对抗网络的一个重要变体——相对生成对抗网络（RGAN），进一步引入了其改进版本RaGAN，通过改变损失函数与判别器结构，将生成对抗训练从单一绝对判定转向真假样本的相对比较，有效弥补了传统GAN在影响真实样本判别方面的缺陷。理论分析基于广义GAN框架，揭示了传统SGAN训练中判别器缺乏合理先验、无法最小化JS散度及梯度集中虚假样本带来的训练停滞等弊端，凸显RGAN设计的必然性和合理性。

实证层面，报告通过对多种主流GAN变体（SGAN、LSGAN、HingeGAN）及其对应相对变种（RSGAN、RaLSGAN、RaHingeGAN）在上证综指日频和标普500月频数据集上的测试，展示了相对GAN系列模型在保留真实金融序列统计特征的同时显著提升了生成序列的长时程相关性（Hurst指数为典型量化指标），并在多个关键金融特征指标上表现优于传统GAN。图表集中体现了模型损失函数稳定性、生成序列多样性以及多维统计特性还原能力，佐证相对判别策略有效提升金融时间序列模拟的真实性与实践潜力。同时，报告指出RaGAN通过引入相对平均概念，降低了梯度波动，提升稳定性且计算效率高，成为实际应用主流。

风险层面，报告诚实提示黑箱效应、训练不稳定、模式崩溃及市场规律变化导致的模型失效风险，强调研究目的在于方法论探索，非直接投资建议。未来研究方向聚焦于拓展相对损失策略在更多GAN架构中的应用，以及结合网络结构、正则化等其他技术进一步优化GAN性能。

综上所述，本报告为金融人工智能领域提供了全面、系统、技术细致的RGAN研究框架和实证成果，展现了生成对抗网络相对判别损失函数改进在复杂金融时间序列建模中的深远意义，具有重要的学术及应用价值。

---

附：重要图表精选

• 图表1（GAN损失函数计算流程）

• 图表4（判别器输出随训练变化）

• 判别器对比示意（面包和狗）

• 图表11（各类损失函数曲线对比）

• 图表15（RSGAN损失函数曲线）

• 图表17（上证综指真实价格序列）

• 图表20（真实序列6项金融指标）

• 图表26（Hurst指数假设检验）

（因篇幅限制，部分指标图请依照页面索引自行查阅）

---

引用规范示例

以上结论内容均明确标注于所有相关页码 [pidx::0][pidx::4][pidx::5][pidx::6][pidx::7][pidx::8][pidx::9][pidx::10][pidx::11][pidx::12][pidx::13][pidx::14][pidx::15][pidx::16][pidx::17][pidx::18][pidx::19][pidx::20][pidx::21][pidx::22][pidx::23][pidx::24][pidx::25][pidx::26][pidx::27][pidx::28][pidx::29][pidx::30][pidx::31][pidx::32][pidx::33][pidx::34]

---

以上为《相对生成对抗网络 RGAN 实证华泰人工智能系列之三十六》报告的极其详尽且专业的深度剖析。

报告