基于转换器 GAN 架构的金融时间序列数据增强
机器学习
2026-02-23 v1 人工智能
摘要
时间序列预测是跨多个领域的关键任务，从工程到经济学，都在驱动战略决策。然而，在金融等具有挑战性和波动性的领域应用高级深度学习模型困难，因为金融时间序列数据的固有局限性和动态特性。这种稀缺性常常导致模型训练次优且泛化差。根本挑战在于如何可靠地增强稀缺的金融时间序列数据，以提高深度学习预测模型的准确性。我们的主要贡献是演示生成对抗网络（GAN）如何有效作为数据增强工具来克服金融领域的数据稀缺。具体而言，我们表明，使用由转换器生成的对抗网络（TTS-GAN）生成的合成数据增强的数据集训练的长短期记忆（LSTM）预测模型，其预测准确性显著高于仅使用真实数据。我们在不同的金融时间序列（比特币和 S&P500 价格数据）和各种预测时间范围内都确认了这些结果。此外，我们提出一种新型、针对时间序列的质量指标，将动态时间变形（DTW）和修改后的深度数据异质性度量（DeD-iMs）结合，用于可靠地监控训练进度和评估生成数据的质量。这些发现为 GAN 基于数据增强在提升金融预测能力方面提供了有力的证据。
引用
@article{arxiv.2602.17865,
title = {Financial time series augmentation using transformer based GAN architecture},
author = {Andrzej Podobiński and Jarosław A. Chudziak},
journal= {arXiv preprint arXiv:2602.17865},
year = {2026}
}
备注
This paper has been accepted for the upcoming 18th International Conference on Agents and Artificial Intelligence (ICAART-2026), Marbella, Spain. The final published version will appear in the official conference proceedings