金工深度研究：_人工智能44，深度卷积GAN实证
由kyrie_fu创建，最终由kyrie_fu 被浏览 91 用户
摘要
W-DCGAN模型可用于多资产金融时间序列生成，效果良好
本文探讨GAN的重要变式——DCGAN（深度卷积生成对抗网络）在生成多资产金融时间序列中的应用。原始GAN模型存在固有缺陷，DCGAN和WGAN分别从网络结构和损失函数的角度提出改进，将两种改进方案融合可得到W-DCGAN模型。测试各模型对多资产金融时间序列的生成效果，并采用9项单资产序列指标和5项多资产序列指标评价生成质量。结果表明DCGAN表现不理想，结合W距离损失函数的W-DCGAN效果好且略优于WGAN，W-DCGAN能较好地复现出真实序列的各项典型化事实。
DCGAN的核心思想是针对网络结构改进原始GAN
和WGAN针对损失函数改进的思路不同，DCGAN的核心思想是针对网络结构改进原始GAN。DCGAN使用更灵活的转置卷积层和带步长的卷积层，分别替代GAN模型中的上采样层和池化层。同时，DCGAN取消全连接层，并调整归一化层、激活函数、优化器等网络组件，使生成器和判别器均为全卷积网络结构。
W-DCGAN融合DCGAN的网络结构与WGAN的损失函数
尽管在网络结构上更为合理，DCGAN并没有解决GAN模型的根本缺陷，并且仍需要小心设计训练过程及网络参数，调参难度较大，单纯使用DCGAN模型在实践中效果并不理想。本文对DCGAN模型做进一步改进，借鉴WGAN模型思想，将W距离应用于DCGAN的损失函数中，构建W-DCGAN模型。W-DCGAN不仅拥有DCGAN的原本优势，还由于W距离的使用避免了梯度消失和模式崩溃现象。
实证结果表明DCGAN效果不佳，W-DCGAN相比WGAN略胜一筹
我们测试各类生成模型在多资产金融时间序列（标普500、上证综指、欧洲斯托克50）生成任务中的表现，并采用前期研究构建的9项单资产序列指标和5项多资产序列指标评价生成质量。结果表明，DCGAN在自相关性、杠杆效应、盈亏不对称性、多资产交叉相关性等指标上生成效果不佳，W-DCGAN和WGAN均表现较好；W-DCGAN总体而言略胜一筹，在盈亏不对称性、Hurst指数、多资产滚动相关系数等指标上有显著优势。总的来看，W-DCGAN模型能较好地复现出真实序列的各项典型化事实。
正文
/wiki/static/upload/62/6201ca93-3231-4115-a52d-264ca25e61e6.pdf
\