人工智能市场前景及投资研究报告44，深度卷积GAN实证.pdfVIP

证券研究报告 金工 人工智能44 ：深度卷积GAN 实证 华泰研究 2021 年4 月13 日│中国内地 深度研究 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 W-DCGAN 生成多资产序列示例 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， 标普500 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， 1.3 上证综指 欧洲斯托克50 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 1.2 卷积网络结构。 格 1.1 价 化 1.0 W-DCGAN 融合DCGAN 的网络结构与WGAN 的损失函数 归一 0.9 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， 0.8 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 0.7 0 2 4 6 8 0 2 4 6 8 0 2 4 6 8 0 2 4 6 8 0 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， 1 2 3 4 6 7 8 9 0 2 3 4 5 6 8 9 0 1 2 4 1 1 1 1 1 1 1 1 2 2 2 2 借鉴 WGAN 模型思想，将 W 距离应用于 DCGAN 的损失函数中，构建 交易日 W-DCGAN 模型。W-DCGAN 不仅拥有DCGAN 的原本优势，还由于W 距 资料来源：Wind，华泰研究 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。 风险提示：DCGAN 和 W-DCGAN 生成虚假序列是对市场规律的探索，不 构成任何投资建议。深度学习模型存在过拟合的可能。深度学习模型是对历 史规律的总结，如果市场规律发生变化，模型存在失效的可能。