人工智能 44： 深度卷积 GAN 实证
创建于 更新于
摘要
本报告系统介绍了深度卷积GAN(DCGAN)及其改进模型W-DCGAN在多资产金融时间序列生成中的应用。实证表明，基于网络结构改进的DCGAN虽有效提升特征提取能力，但生成质量不尽理想。结合Wasserstein距离损失的W-DCGAN模型在多资产收益率序列的单资产和多资产评价指标（如自相关性、盈亏不对称性、Hurst指数及滚动相关系数等）上均显著优于DCGAN，并稍优于WGAN，较好地复现了真实金融序列的典型化事实。报告还详细阐述了三种模型的网络结构、训练算法及生成效果对比，验证W-DCGAN融合网络结构与损失函数改进的有效性[pidx::0,pidx::4,pidx::15,pidx::18,pidx::26].
