华泰人工智能系列之三十八：WGAN生成，从单资产到多资产-20201123-华泰证券-33页_2mb

金工研究：WGAN生成多资产收益率序列

核心内容

本研究将生成对抗网络（GAN）的应用从单资产序列生成拓展至多资产序列生成。通过改造WGAN模型，使其能够模拟多资产收益率的分布特征、时序特性以及资产间的协变关系，研究者对WGAN生成的多资产序列与传统方法（Bootstrap重采样和MGARCH模型）进行了对比分析。

主要观点

1. WGAN模型的优势：WGAN模型在生成多资产收益率序列方面表现出色，能够更好地复现真实序列的典型化事实，如厚尾分布、波动率聚集、杠杆效应、粗细波动率相关、盈亏不对称性以及多资产之间的交叉相关性、波动率相关性、交叉杠杆效应、滚动相关系数分布相似度和极端值相关性。

2. 多资产序列的典型化事实：多资产收益率序列的典型化事实不仅涉及单资产的统计特性，还包括资产之间的协变关系。研究者设计了5项多资产序列的评价指标，用于衡量不同资产之间的相关性和波动性。

3. 网络结构的改造：为了适应多资产序列生成，研究者将WGAN的判别器D的输入设置为多通道，每通道对应一个资产。同时，生成器G的输出结构也进行了相应调整。

4. 对照组方法的局限性：Bootstrap重采样方法虽然能够保持资产之间的0阶相关性，但无法复现1阶及更高阶的时序相关性。MGARCH模型在波动率聚集方面表现较好，但在杠杆效应、粗细波动率相关和盈亏不对称性等方面存在不足。

关键信息

评价指标设计

• 单资产序列评价指标：包括自相关性、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。
• 多资产序列评价指标：
  • 交叉相关性：不同资产收益率序列在不同时间滞的交叉相关系数。
  • 波动率相关性：不同资产收益率绝对值序列在不同时间滞的交叉自相关系数。
  • 交叉杠杆效应：某一资产当前收益率与另一资产未来波动率之间的相关性。
  • 滚动相关系数分布相似度：使用Anderson-Darling检验统计量及其p值衡量滚动相关系数分布的相似性。
  • 极端值相关性：某一资产收益率出现极端值时，另一资产收益率也出现极端值的概率。

实证测试

• 相同类型资产：包括标普500指数、上证综指、欧洲斯托克50指数。
• 不同类型资产：包括沪深300指数、中债-国债总财富指数、SGE黄金9999。
• 测试结果：WGAN生成的多资产序列在各项评价指标上均优于Bootstrap和MGARCH方法，尤其在复现杠杆效应、粗细波动率相关和盈亏不对称性方面表现突出。

网络结构

• 生成器G：包含四个卷积层和三个上采样层，输出层神经元数量为K×T（K为资产数目，T为序列长度）。
• 判别器D：包含三个卷积层、两个最大值池化层和两个全连接层，第一层卷积层设置为多通道输入，以适应多资产序列的输入需求。

训练过程

• 训练参数：迭代次数为1500次，每轮迭代中判别器D训练5次，生成器G训练1次。
• 损失函数：WGAN使用Wasserstein距离作为损失函数，以提高生成序列的逼真度。
• 优化器：使用RMSProp优化器，生成器和判别器的优化器参数分别为0.0001。

数据与方法

• 训练数据：包括相同类型资产和不同类型资产的收益率序列，时间跨度约为17至23年。
• Bootstrap重采样：通过有放回地随机抽样生成序列，保持0阶相关性，但可能破坏时序相关性。
• MGARCH模型：使用BEKK-GARCH(1,1)模型生成多资产序列，模拟资产间的协变关系，但在某些指标上表现不佳。

总结与展望

WGAN在生成多资产收益率序列方面表现出显著优势，能够更好地复现真实序列的典型化事实。尽管研究仅针对三资产组合进行了测试，但其方法具有良好的扩展性，可用于更复杂的多资产序列生成任务。未来研究可以进一步探索不同资产组合的生成效果，并考虑更多金融指标的加入，以提升模型的泛化能力和实用性。