金工深度研究：_人工智能44，深度卷积GAN实证

免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 1 证券研究报告 金工 人工智能 44：深度卷积 GAN 实证 华泰研究 研究员 林晓明 SAC No. S0570516010001 SFC No. BPY421 linxiaoming@htsc.com +86-755-82080134 研究员 李子钰 SAC No. S0570519110003 liziyu@htsc.com +86-755-23987436 研究员 何康，PhD SAC No. S0570520080004 hekang@htsc.com +86-21-28972039 联系人 王晨宇 SAC No. S0570119110038 wangchenyu@htsc.com +8602138476179 W-DCGAN 生成多资产序列示例 资料来源：Wind，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。 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。 0.70.80.91.01.11.21.301224364860728496108120132144156168180192204216228240归一化价格交易日标普500上证综指欧洲斯托克50 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 2 金工研究 正文目录 研究背景 ....................................................................................................................................................................... 5 DCGAN 原理 ................................................................................................................................................................ 6 卷积神经网络 CNN 相关概念 ................................................................................................................................ 6 特征学习：卷积与转置卷积 ........................................................................................................................... 6 引入非线性：激活函数 .................................................................................................................................. 7 下采样：池化或带步长的卷积 ....................................................................................................................... 8 映射至输出尺寸：全连接或卷积.................................................................................................................... 8 深度卷积生成对抗网络 DCGAN ............................................................................................................................ 8 DCGAN 基本原理 ........................................................................................................