人工智能49：SinGAN单样本生成-20211024-华泰证券-24页_1mb

SinGAN 单样本生成详细总结

核心内容

SinGAN 是一种基于单样本生成任意尺寸模拟样本的生成对抗网络（GAN）变式，能够有效解决传统 GAN 在样本量和序列长度上的局限性。该模型通过多层级架构实现从粗糙到精细特征的学习，其研究曾获得2019年国际计算机视觉大会（ICCV2019）最佳论文奖。

主要观点

1. 样本量悖论：传统GAN需要大量样本进行训练，这与“解决样本稀缺”的初衷相矛盾。
2. 长度不匹配问题：金融时间序列通常通过“切片”方式采样，导致生成序列长度短于真实序列，难以复现长时程性质。
3. SinGAN的创新设计：
   • 采用金字塔结构，不同层级GAN依次训练，低层学习全局特征（低频信息），高层学习局部纹理（高频信息）。
   • 判别器为马尔可夫判别器，关注更多局部信息，提升细节保持能力。
   • 损失函数结合对抗损失和重构损失，提升训练的稳健性。
4. 金融应用表现：
   • 在日频沪深300和月频标普500、欧元兑美元等任务中，SinGAN在拟真性和多样性上优于WGAN。
   • 能更完整地捕捉真实序列的频域特征，特别是中、长尺度周期。

关键信息

模型架构

• SinGAN由 $N + 1$ 层GAN组成，每层生成器 $G_n$ 的输入是当前噪音 $z_n$ 和上一层生成器输出上采样后的假样本 $(\tilde{x}_{n+1})\uparrow^r$。
• 判别器 $D_n$ 的输入是当前层生成器输出的假样本或下采样后的真样本。
• 每层卷积核长度为3，步长为1，填充为0，非输出层通道数为32，输出层为1。

损失函数

• 对抗损失采用WGAN-GP形式，公式为：
  $$
  L_{adv} = D_n(\tilde{x}n) - D_n(x_n) + \lambda (|\nabla{\tilde{x}_n} D_n(\tilde{x}_n)|_2 - 1)^2
  $$
• 重构损失用于确保特定噪音生成真样本，公式为：
  $$
  L_{rec} = | G_n(0, (\tilde{x}_{n+1})\uparrow^r) - x_n | ^2
  $$

训练和生成流程

• 逐层训练，从最粗糙的层级开始，依次训练到最精细的层级。
• 每层训练结束后参数固定，再训练下一层。
• 生成阶段通过各层随机噪音依次输入，最终生成与原始序列长度相同的假样本。

SinGAN的优势总结

1. 生成序列长度：SinGAN可以生成与原序列等长甚至更长的序列，克服传统GAN的长度限制。
2. 拟真性：在日频沪深300和月频标普500、欧元兑美元等任务中，SinGAN生成序列更接近真实序列。
3. 多样性：SinGAN在多样性指标上优于WGAN，特别是在样本量较小的科创50生成任务中表现显著。
4. 频域特征捕捉：SinGAN能完整复现中、长周期信号，而WGAN在这些方面表现不足。

实证结果

日频沪深300

• SinGAN和WGAN在拟真性和多样性指标上均表现良好。
• 两者生成序列在时域和频域上均与真实序列接近。

日频科创50

• WGAN出现严重模式崩溃，生成序列高度一致，缺乏多样性。
• SinGAN在真实性和多样性指标上全面占优。

月频标普500

• SinGAN生成序列具有42、100、200个月附近的周期，与真实序列高度一致。
• WGAN无法复现中、长周期信号。

月频欧元兑美元

• SinGAN生成序列与真实序列在频域特征上高度相似。
• WGAN生成序列频域信号与真实序列差异较大，缺少100个月附近的中周期。

风险提示

• SinGAN生成序列是对市场规律的探索，不构成投资建议。
• 深度学习模型存在过拟合风险，且无法保证在市场规律变化时仍有效。

评价指标

• 时域指标：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、长时程相关性。
• 频域指标：通过傅里叶变换分析周期性，关注42、100、200个月附近的周期信号。

总结

SinGAN通过其多层级架构和创新的损失函数设计，在金融时间序列生成任务中表现出色，尤其在样本量较小或序列长度受限的情况下，其在拟真性和多样性上优于传统GAN。SinGAN不仅能够生成与原序列等长的模拟数据，还能更完整地捕捉数据的频域特征，为量化研究提供了新的思路和方法。