GAN 是否能学习金螺旋式事实?

在金融领域，建立精细的金融时间序列模拟器对于评估金融产品和投资策略至关重要。传统的回测方法主要依赖历史数据驱动或数学模型驱动的方法，如各种随机过程。然而，在当前的人工智能时代，数据驱动的方法——模型直接学习数据内在特征——日益成为有前景的技术。生成对抗网络 (GAN) 作为一种有前景的生成模型，通过对抗学习捕获数据分布。金融时间序列以随机漫步、均值回归模式、意外跳跃和时变波动性等“stylized facts”特征著称，这些特征对深度神经网络的学习 presents significant 挑战。本研究考察了 GAN 学习单变量和多变量金融时间序列各种和复杂的时序模式（即 stylized facts）的能力。我们的广泛实验表明，GAN 能够捕获金融时间序列的各种 stylized facts，但其性能因生成器架构的选择而显著不同。这表明，单纯应用 GAN 可能不有效地捕捉金融时间序列固有复杂特征，强调必须仔细考虑和验证建模选择的重要性。