用于时间序列生成的条件 Sig-Wasserstein GAN
机器学习
2025-08-26 v2 机器学习
摘要
生成对抗网络（GANs）在从看似高维的概率测度中生成样本方面极为成功。然而，这些方法难以捕捉由时间序列数据所诱导的联合概率分布的时序依赖性。此外，长时间序列数据流会极大地增加目标空间的维度，这可能使生成式建模不可行。为克服这些挑战，受计量经济学中自回归模型的启发，我们关注给定过去信息的未来时间序列的条件分布。我们通过将 Wasserstein-GANs（WGANs）与称为路径签名（signature of a path）的、具有数学严谨性且高效的特征提取方法相融合，提出了通用的条件 Sig-WGAN 框架。路径签名是一组分级统计量序列，为数据流提供了普适性描述，其期望值刻画了时间序列模型的律。特别地，我们发展了条件 Sig- 度量，它捕捉时间序列模型的条件联合律，并将其用作判别器。签名特征空间使得所提判别器可被显式表示，从而减轻了对昂贵训练的需求。我们在合成与真实数据集上验证了我们的方法，并观察到相对于相似度与预测能力度量，我们的方法持续且显著优于最先进的基准。
引用
@article{arxiv.2006.05421,
title = {Conditional Sig-Wasserstein GANs for Time Series Generation},
author = {Shujian Liao and Hao Ni and Lukasz Szpruch and Magnus Wiese and Marc Sabate-Vidales and Baoren Xiao},
journal= {arXiv preprint arXiv:2006.05421},
year = {2025}
}
备注
This paper has been accepted for Mathematical Finance Special Issue on Machine Learning in Finance