基于生成对抗网络的时间序列（重）采样
机器学习
2021-02-02 v1 计量经济学
统计方法学
机器学习
摘要
我们提出了一种基于生成对抗网络（GANs）的针对依赖数据的新型自助法（bootstrap）过程。我们表明，常见的平稳时间序列过程的动态特性可以被 GANs 学习，并证明在单条样本路径上训练的 GANs 可用于从该过程中生成额外的样本。我们发现，时间卷积神经网络为生成器和判别器提供了合适的设计，并且可以基于一个独立同分布正态噪声向量生成令人信服的样本。我们利用模拟展示了 GAN 采样与所建议自助法的有限样本性质，其中我们将性能与对 AR(1) 时间序列过程重采样的循环块自助法进行了比较。我们发现，在经验覆盖度方面，使用 GAN 的重采样可以优于循环块自助法。
引用
@article{arxiv.2102.00208,
title = {Time Series (re)sampling using Generative Adversarial Networks},
author = {Christian M. Dahl and Emil N. Sørensen},
journal= {arXiv preprint arXiv:2102.00208},
year = {2021}
}