人工智能产业链发展分析报告.pdf

人工智能产业链发展分 析报告 2021 年5 月 4 华泰金工生成对抗网络系列研究尝试将生成对抗网络GAN 技术运用于量化投资研究。我们 测试GAN、WGAN 、RGAN 等模型生成单个资产收益率的仿真时间序列。结果表明，生成 对抗网络能够刻画单个资产真实收益率序列所具备的统计特性，如厚尾分布、波动率聚集 等，其中WGAN 模型生成效果相对更佳。 由于实际投资研究可能涉及到多个资产，为拓宽应用场景，我们将WGAN 模型进行改进， 使其同时生成多个资产收益率的仿真时间序列，并构建交叉相关性、波动率相关性等用于 评价多资产序列两两之间典型化事实的指标。结果表明，WGAN 模型能够胜任生成多资产 收益率序列的任务。 作为GAN 的一种经典变式，WGAN （Wasserstein GAN）将原始GAN 中的JS 散度替换 成Wasserstein 距离（简称 W 距离），用判别器估计生成分布与真实分布的W 距离，用生 成器拉近W 距离，以达到生成样本逼近真实样本的目标。换言之，WGAN 相对于原始GAN 的改进主要在损失函数部分，而基本没有改变GAN 的网络结构。 作为GAN 的另一经典变式，DCGAN （Deep Convolutional GAN，深度卷积生成对抗网 络）相对于原始GAN 的改进主要在网络结构部分。DCGAN 是引入CNN 的GAN ：生成器 中使用转置卷积层代替上采样层，判别器中使用带步长的卷积层代替池化层同时去掉全连 接层，构成全卷积网络。DCGAN 在生成多资产收益率序列任务中表现如何？DCGAN 能否 与WGAN “双剑合璧”，使用DCGAN 的网络结构以及WGAN 的损失函数，从而达到更好 的生成效果？ 图表1： 原始GAN 的改进方式 资料来源：华泰研究 本文首先介绍 DCGAN 的原理及算法，包括卷积与转置卷积、网络结构的设计规则、可能 存在的问题等。在 DCGAN 模型判别器卷积层中，使用多通道处理多资产序列的输入，以 适应生成多资产收益率的应用场景。随后简要回顾 WGAN 的基本思想以及优化目标函数， 使其代替原本DCGAN 模型中的二进制交叉熵损失函数，得到W-DCGAN 模型。采用前期 研究《人工智能 35 ：WGAN 应用于金融时间序列生成》和《人工智能 38 ： WGAN 生成：从单资产到多资产》中的9 个单资产序列评价指标和5 个多资 产序列评价指标及其反映的典型化事实，以衡量模型的生成效果。 实证测试环节，我们分别测试DCGAN、WGAN 和W-DCGAN 模型对相同类型资产组合（标 普500 指数、上证综指、欧洲斯托克50 指数）的生成效果。结果表明，单纯使用DCGAN 模型进行生成效果并不理想，W-DCGAN 模型生成的多资产收益率序列很好地复现了真实 序列蕴含的典型化事实，并且生成效果整体优于WGAN 模型。 5 DCGAN 原理 卷积神经网络CNN 相关概念 CNN 是一种常见的深度学习网络架构，受生物自然视觉认知机制启发而来，最初由 Yann Lecun 等人于1998 年提出。CNN 的本质是一个多层感知机，可以自动从数据中学习特征， 并把结果向同类型位置数据泛化。CNN 采用局部连接和权值共享方式，既减少了权值数量 使参数易于优化，又降低了模型复杂度减小过拟合风险。 随着数据量的增大和算力的增强，CNN 在很多领域取得成功，如图像识别、图像分割等。 基础的CNN 由卷积、激活、池化三种结构组成，当处理分类任务时，还需要引入全连接层 完成从 CNN 输出特征到标签集的映射。华泰金工《人工智能 15：人工智能选股之卷积神 经网络》已阐释了 CNN 将高维数据映射到低维特征的机制。下面我们就 DCGAN 网络结构中涉及到的重点结构予以介绍和说明。 特征学习：卷积与转置卷积 在 DCGAN 网络结构中，生成器使用转置卷积完成低维特征向高维特征的映射即上采样， 判别器使用卷积完成高维特征向低维特征的映射即下采样，因此充分理解卷积和转置卷积 的操作机制是重要且必要的