条件 Sig-Wasserstein GANs 用于时间序列生成
本文介绍了 SigWGAN 时间序列生成器，它将连续时间随机模型与新提出的签名 $W_1$ 度量相结合，可以加速人工智能机器学习流程的开发和部署，并在量化风险模型和实证财务数据中验证了其性能。
Nov, 2021
我们利用随机化签名引入金融时间序列数据的生成模型，该模型基于离散时间随机化签名建立了一种新的 Wasserstein 类型距离，作为概率测度空间中的距离度量，并将其作为非对抗生成模型的损失函数。我们通过将我们的模型与现有文献中的基准进行比较来验证其性能。
Jun, 2024
本文提出了一种新型时序生成对抗网络 (Time Series GAN，TSGAN)，并以基准时序数据库中的 70 个数据集作为评估对象，证明了 TSGAN 相较竞争对手表现更好，既在 Frechet Inception Score (FID) 度量中表现更佳，也在分类评估标准上具有更好的定性表现。
Jun, 2020
我们提出了一种新颖的方法，利用可学习的路径签名和科尔莫哥洛夫 - 阿诺德网络（KANs）来增强多变量函数逼近能力。通过利用可学习的路径签名对 KANs 获得的值加权，我们增强了这些网络的学习能力，从而更全面、灵活地表示顺序和时间数据。通过研究，我们证明了我们的 SigKANs 能够在各种函数逼近挑战中优于传统方法。通过在神经网络中利用路径签名，这种方法为时间序列分析和时间序列预测等领域提供了有趣的性能提升机会。
Jun, 2024
本文提出了使用条件生成对抗网络（CGAN）学习和模拟时间序列数据的方法，探讨 GAN 和神经网络与现有统计方法之间的联系，最终展示了 CGAN 在市场风险分析中的应用，包括历史数据的学习、风险预测分析以及价值风险和预期缺失计算等方面，并通过回测结果证明其优于历史模拟法。
Apr, 2019
本文提出了一种名为 PCF-GAN 的新型生成对抗网络，将路径特征函数（PCF）作为时间序列分布的原则表示，并将其并入鉴别器以增强其生成性能，同时通过序列嵌入将自编码器结构集成到模型中，实现了复杂时间序列数据的生成和重构。实验证明，PCF-GAN 在生成和重构质量上始终优于现有技术。
May, 2023
本文通过引入编码上下文并在条件生成对抗网络中使用，扩展了基于 Transformer 的时间序列生成对抗网络 (TTS-GAN)，从而可以使用一个模型来拟合具有多个子组件的混合分布。通过定性和定量的评估指标，我们展示了该模型可以生成高维度和长时间序列数据，并在不同条件下具有较好的性能。
Oct, 2022
使用数据驱动的 Quant GANs 模型结合具有长期依赖性的时间卷积网络 (TCNs) 成功地捕捉金融时间序列中的波动集群、杠杆效应和序列自相关性，并在小、大滞后的分布性质方面表现出色。
Jul, 2019
FETSGAN 通过 seq2seq 风格的对抗自编码器将整个序列直接转化为生成器的采样空间，引入了 First Above Threshold（FAT）算子来改善训练稳定性和生成的合成数据的整体质量。这些新颖的贡献在时间相似性的定性度量和通过 FETSGAN 生成的数据的量化预测能力方面，显著改善了对手学习算法的当前艺术状态。
Aug, 2023