Market-GAN：以语义上下文为控制增强金融市场数据生成

金融模拟器在提升预测精度、管理风险以及促进战略性金融决策方面发挥着重要作用。尽管金融市场的模拟方法有所发展，现有框架常难以适应专门的模拟上下文。我们将挑战归结为：i) 当前金融数据集不含上下文标签；ii) 当前技术并非设计用于以上下文作为控制来生成金融数据，这相较于其他模态要求更高精度；iii) 鉴于金融数据非平稳、噪声的本质，生成上下文对齐、高保真数据的固有困难。为应对这些挑战，我们的贡献为：i) 我们提出了上下文市场数据集，以市场动态、股票代码和历史状态作为上下文，利用结合线性回归与动态时间规整聚类的市场动态建模方法提取市场动态；ii) 我们提出 Market-GAN，一种新颖架构，整合用于带上下文可控生成的生成对抗网络(GAN)、用于学习低维特征的自动编码器，以及用于知识迁移的监督器；iii) 我们引入两阶段训练方案以确保 Market-GAN 以多目标捕捉内在市场分布。在预训练阶段，借助自动编码器与监督器，我们为对抗训练阶段准备具有更好初始化的生成器。我们提出一组考虑对齐、保真度、下游任务数据可用性与市场事实的整体评估指标。我们使用 2000 年至 2023 年的道琼斯工业平均指数数据评估 Market-GAN，并展示出优于 4 种最先进时间序列生成模型的性能。