人工智能專題研究報告：深度卷積GAN實(shí)證

上傳者：B*******
時間：2021/04/21
熱度：543
0人點(diǎn)贊
舉報

人工智能專題研究報告：深度卷積GAN實(shí)證。W-DCGAN模型可用于多資產(chǎn)金融時間序列生成，效果良好。本文探討GAN的重要變式——DCGAN（深度卷積生成對抗網(wǎng)絡(luò)）在生成多資產(chǎn)金融時間序列中的應(yīng)用。原始GAN模型存在固有缺陷，DCGAN和WGAN分別從網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)的角度提出改進(jìn)，將兩種改進(jìn)方案融合可得到W-DCGAN模型。測試各模型對多資產(chǎn)金融時間序列的生成效果，并采用9項(xiàng)單資產(chǎn)序列指標(biāo)和5項(xiàng)多資產(chǎn)序列指標(biāo)評價生成質(zhì)量。結(jié)果表明DCGAN表現(xiàn)不理想，結(jié)合W距離損失函數(shù)的W-DCGAN效果好且略優(yōu)于WGAN，W-DCGAN能較好地復(fù)現(xiàn)出真實(shí)序列的各項(xiàng)典型化事實(shí)。 DCGAN的核心思想是針對網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)原始GAN。和WGAN針對損失函數(shù)改進(jìn)的思路不同，DCGAN的核心思想是針對網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)原始GAN。DCGAN使用更靈活的轉(zhuǎn)置卷積層和帶步長的卷積層，分別替代GAN模型中的上采樣層和池化層。同時，DCGAN取消全連接層，并調(diào)整歸一化層、激活函數(shù)、優(yōu)化器等網(wǎng)絡(luò)組件，使生成器和判別器均為全卷積網(wǎng)絡(luò)結(jié)構(gòu)。 W-DCGAN融合DCGAN的網(wǎng)絡(luò)結(jié)構(gòu)與WGAN的損失函數(shù)。盡管在網(wǎng)絡(luò)結(jié)構(gòu)上更為合理，DCGAN并沒有解決GAN模型的根本缺陷，并且仍需要小心設(shè)計訓(xùn)練過程及網(wǎng)絡(luò)參數(shù)，調(diào)參難度較大，單純使用DCGAN模型在實(shí)踐中效果并不理想。本文對DCGAN模型做進(jìn)一步改進(jìn)，借鑒WGAN模型思想，將W距離應(yīng)用于DCGAN的損失函數(shù)中，構(gòu)建W-DCGAN模型。W-DCGAN不僅擁有DCGAN的原本優(yōu)勢，還由于W距離的使用避免了梯度消失和模式崩潰現(xiàn)象。實(shí)證結(jié)果表明DCGAN效果不佳，W-DCGAN相比WGAN略勝一籌。我們測試各類生成模型在多資產(chǎn)金融時間序列（標(biāo)普500、上證綜指、歐洲斯托克50）生成任務(wù)中的表現(xiàn)，并采用前期研究構(gòu)建的9項(xiàng)單資產(chǎn)序列指標(biāo)和5項(xiàng)多資產(chǎn)序列指標(biāo)評價生成質(zhì)量。結(jié)果表明，DCGAN在自相關(guān)性、杠桿效應(yīng)、盈虧不對稱性、多資產(chǎn)交叉相關(guān)性等指標(biāo)上生成效果不佳，W-DCGAN和WGAN均表現(xiàn)較好；W-DCGAN總體而言略勝一籌，在盈虧不對稱性、Hurst指數(shù)、多資產(chǎn)滾動相關(guān)系數(shù)等指標(biāo)上有顯著優(yōu)勢。總的來看，W-DCGAN模型能較好地復(fù)現(xiàn)出真實(shí)序列的各項(xiàng)典型化事實(shí)。