用于时间序列生成的 Sig-Wasserstein GANs
机器学习
2021-11-03 v1
摘要
合成数据是一项新兴技术，可显著加速 AI 机器学习流水线的开发与部署。在这项工作中，我们通过将连续时间随机模型与新提出的签名 度量相结合，开发了高保真时间序列生成器 SigWGAN。前者是基于随机微分方程的 Logsig-RNN 模型，而后者源于刻画由时间序列诱导的测度的普适且原理性的数学特征。SigWGAN 可将计算上具有挑战性的 GAN 极小极大问题转化为监督学习，同时生成高保真样本。我们在由流行量化风险模型生成的合成数据以及经验金融数据上验证了所提模型。代码见 https://github.com/SigCGANs/Sig-Wasserstein-GANs.git。
引用
@article{arxiv.2111.01207,
title = {Sig-Wasserstein GANs for Time Series Generation},
author = {Hao Ni and Lukasz Szpruch and Marc Sabate-Vidales and Baoren Xiao and Magnus Wiese and Shujian Liao},
journal= {arXiv preprint arXiv:2111.01207},
year = {2021}
}
备注
This paper is accepted by the 2nd ACM International Conference on AI in Finance 2021