华泰人工智能系列之三十一： 生成对抗网络GAN初探-华泰证券-20200508
由qxiao创建，最终由qxiao 被浏览 108 用户
摘要
GAN的核心思想是通过学习真实训练数据，生成“以假乱真”的数据
本文关注生成对抗网络GAN及其在量化投资领域的应用。GAN的核心思想是通过学习真实训练数据，生成“以假乱真”的数据。GAN包含判别器D和生成器G两组神经网络，引入博弈的思想，通过交替训练的方式达到纳什均衡。我们训练GAN生成不同市场、不同时间频率的股指收益率和价格序列，并与Bootstrap和GARCH等其它生成虚假数据方法相比较，以波动率聚集、盈亏不对称性等指标评估生成模型优劣。结果表明，GAN生成的数据质量优于其它两种方法。最后我们以双均线择时策略参数选择为案例，展示GAN在检验过拟合上的应用。
GAN交替训练判别器D和生成器G，直到达到纳什均衡状态
GAN最具特色之处在于其训练方式，“以子之矛，攻子之盾”。GAN包含判别器D和生成器G两组神经网络，G的目标是生成尽可能逼真的赝品，D的目标是尽可能将真品和G生成的赝品区分开。GAN引入博弈的思想，采取交替训练方式，两个网络能力同时提升，直到达到纳什均衡状态，此时D“明察秋毫”，而G生成赝品的技艺“巧夺天工”。从数学原理看，GAN的目标是最小化生成数据分布和真实数据分布的JS散度。GAN的优点是生成数据质量更好，学习过程更简单，并且能够与深度学习结合。GAN的缺点是黑箱问题，训练不收敛，G和D训练不同步，以及模式崩溃问题。
测试结果表明GAN相比于其它金融时间序列生成方法具有显著优势
我们采用GAN对上证综指日频序列、沪深300日频序列、标普500日频序列和标普500月频序列进行学习并生成1000条虚假序列，随后采用自相关性、厚尾分布、波动率聚集、杠杆效应、粗细波动率相关、盈亏不对称性共6项评价指标检验生成序列质量，并与对照组Bootstrap和GARCH模型生成的序列进行对比。结果表明，GAN生成序列能够复现出上述6项真实序列具备的特性，而Bootstrap和GARCH仅能复现出部分性质。GAN相比于其它金融时间序列生成方法具有显著优势。
GAN的潜在应用价值包括提供训练样本，检验过拟合和预测未来
GAN在量化投资领域的潜在应用价值包括：提供训练样本，检验量化策略过拟合程度，预测未来。机器学习应用于量化投资始终面临小样本困境，GAN能够生成更丰富的训练样本，一定程度上缓解小样本问题，在量化学术研究领域不乏应用先例。量化策略开发的“痛点”之一是回测过拟合，我们可以将基于真实数据得到的量化策略，放在GAN模拟出的“平行世界”中测试，以检验过拟合程度。GAN的变式如cGAN有可能帮助我们预测未来，但目前研究相对较少。我们以双均线择时策略参数选择为案例，展示GAN在检验过拟合上的应用。
正文
/wiki/static/upload/7e/7ef29095-a344-4ea7-a842-3dbd0326d48e.pdf
\