Evaluating generative models for synthetic financial data
创建于 更新于
摘要
本文提出并实现了一套面向金融时间序列的多维评估框架，比较了 ARIMA–GARCH、VAE 与 TimeGAN 在分布保真（MMD、KS）、时间一致性（ACF、波动聚类）、下游任务效用（均值-方差配置、波动率预测）和隐私泄露（NNDT、MIA）等方面的表现，结果显示 TimeGAN 在综合保真度与时间一致性上优于其他方法，但训练成本和调参敏感性较高；VAE 稳定但平滑极端事件；ARIMA–GARCH 可解释性强且计算代价低但不能捕捉非线性动力学 [page::0]
