人工智能49：SinGAN单样本生成-华泰证券-24页会员免费

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 49：SinGAN 单样本生成 华泰研究 研究员林晓明SAC No. S0570516010001SFC No. BPY421linxiaoming@htsc.com+86-755-82080134研究员李子钰SAC No. S0570519110003liziyu@htsc.com+86-755-23987436研究员何康，PhDSAC No. S0570520080004SFC No. BRB318hekang@htsc.com+86-21-28972039 EURUSD 真序列与 SinGAN 生成序列 资料来源：Wind，华泰研究 2021 年 10 月 24 日│中国内地 深度研究 SinGAN 基于单样本生成任意尺寸的模拟样本，捕捉数据长时程特征本文介绍生成对抗网络的重要变式 SinGAN，并测试该方法在金融资产生成任务中的效果。SinGAN 基于单样本生成，可得到任意尺寸的模拟样本，该研究获 2019 年国际计算机视觉大会（ICCV2019）最佳论文奖。SinGAN由不同层级的 GAN“串联”而成，低层 GAN 学习粗糙的全局特征，高层GAN 学习精细的局部纹理。以资产收益率生成为实验任务，以 WGAN 为对照组，测试结果表明，WGAN 在真序列较短、样本量较小时效果不佳，而SinGAN 在拟真性和多样性上均占优。同时，SinGAN 能更完整地捕捉真序列的频域特征，而 WGAN 无法复现中、长尺度周期。样本量悖论和长度不匹配是制约 GAN 广泛应用的两处瓶颈生成对抗网络存在一条经典悖论：应用 GAN 的初衷是解决样本稀缺问题，但训练好一组 GAN 的前提是需要足够数量的样本。“训练 GAN 本身需要大样本”是制约 GAN 广泛应用的一大瓶颈。另一方面，金融时间序列分析中通常使用“切片”方式对真实序列进行采样。采样序列和 GAN 生成序列长度必然短于真实序列，这就使得生成序列难以复现真实序列的长时程性质。SinGAN 由不同层级的 GAN 串联而成，实现从粗糙到精细特征的学习 SinGAN 基于单样本生成，可得到任意尺寸的模拟样本，解决样本量悖论和长度不匹配问题，该研究获 ICCV2019 最佳论文奖。SinGAN 由不同层级的GAN 以金字塔形式“串联”而成，这些 GAN 被依次训练。每层生成器 G的输入是噪声叠加前一层生成器输出并经上采样后的假样本。每层判别器 D的输入是 G 输出的假样本，或者原始数据经下采样后的真样本。这种多层级架构使得低层 GAN 学习粗糙的全局特征，即低频信息，高层 GAN 学习精细的局部纹理，即高频信息。SinGAN 在判别器网络和损失函数的设计上颇具巧思除金字塔结构外，SinGAN 在判别器网络和损失函数的设计上也颇具巧思。SinGAN 判别器属于马尔可夫判别器，相比普通 GAN 关注更多局部信息，因此在保持原序列或图像的细节上具有优势。SinGAN 的损失函数为对抗损失和重构损失相加，对抗损失和普通 GAN 及其变式的思想一致，重构损失是为了确保某组特定噪音恰好可以生成真样本，从而提升训练的稳健性。SinGAN 在样本量较小时表现优于对照组，并且更完整地捕捉频域特征我们设计四项金融资产收益率生成任务，测试 SinGAN 效果。对照组为WGAN 生成短序列拼接得到长序列。日频沪深 300 生成任务中，两组模型真实性和多样性指标均较好。日频科创 50 生成任务中，由于真序列较短、样本量较小，WGAN 出现严重的模式崩溃，而 SinGAN 在真实性和多样性指标上全面占优。月频标普 500 和欧元兑美元生成任务中，SinGAN 频域信号和真实序列接近，具有 42、100、200 个月附近的周期，而 WGAN 无法复现中、长尺度的周期。本质上，SinGAN 中的低层 GAN 学习低频信息，高层 GAN 学习高频信息，因此能更完整地捕捉数据的频域特征。风险提示：SinGAN 生成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。 0.00.51.01.52.02.51996-01-311998-01-312000-01-312002-01-312004-01-312006-01-312008-01-312010-01-312012-01-312014-01-312016-01-312018-01-312020-01-31真序列SinGAN

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 正文目录研究导读 ..............