金融服务行业中，根据历史和当前市场环境来预测风险因素分布是市场风险建模和风险价值 (VaR) 模型的关键。本研究应用多个现有的深度生成方法，如 CGAN、CWGAN、Diffusion 和 Signature WGAN，以及提出并测试两种新方法进行条件多步时间序列生成，即编码器 - 解码器 CGAN 和条件 TimeVAE。此外，我们引入了一个全面的框架和一组关键绩效指标 (KPIs)，用于衡量金融建模中生成时间序列的质量。KPIs 包括分布距离、自相关和回测。在历史美元收益曲线数据和从 GARCH 和 CIR 过程模拟的附加数据上测试了所有模型 (HS、参数模型和神经网络)。研究表明，HS、GARCH 和 CWGAN 模型是表现最好的模型。此领域中的未来研究方向也在研究中进行了讨论。

Jan, 2024

本文提出了一种训练程序，它基于辅助损失函数来控制潜变量所捕获的信息以及留给自回归解码器的信息，该方法可以实现任意强大的自回归解码器，达到具有潜变量的模型中最先进的定量性能，并生成定性令人信服的样本。

Nov, 2017

通过展开变分自动编码器为马尔可夫链并使用启发式方法来训练生成模型，结合强化学习中某些策略搜索的正则化技术，我们在 MNIST 和 TFD 数据集上实验证明了该方法在定量和定性表现上都达到了最先进水平。

Aug, 2017

本文阐述了成功学习多模态生成模型的四个判定标准，提出了一种混合专家多模态变分自编码器（MMVAE）来学习不同模态的生成模型，并展示了其在具有挑战性的图像 - 语言数据集上实现四个标准的能力，从质量和数量两方面进行了定性和定量。

Nov, 2019

提出了一种基于无监督多视图生成模型的条件变体，可在高维空间中生成各种物体的逼真样本，相比于其他条件生成方法，我们不会对变差因素做任何假设，不需要视图的监督。

Nov, 2017

该论文研究了无监督学习中生成模型的训练方法，提出了一种在对抗网络与似然训练之间进行混合训练的方法，其中使用深度可逆变换来解决概率和逆变换之间的冲突，实现了更好的生成样本和更高的似然性评估。

Jan, 2019

通过使用变分自动编码器，我们提出了一种新的方法来量化信贷投资组合风险价值对资产相关性的敏感性，并发现变分自动编码器的潜空间可以捕捉到影响投资组合多样化的关键因素，特别是与信贷投资组合对资产相关性变化的敏感性有关。

Sep, 2023

本文提出 VAE-GAN 作为智能电网数据生成模型，能够学习各种数据类型分布并从同一分布生成逼真的样本。实验结果显示，该模型的合成数据比 Vanilla GAN 网络更接近真实数据分布。

Jan, 2022

本文提出了一种基于变压器自编码器的、使用对抗训练方案进行正则化的人工多变量时间序列信号生成方法，通过 t-SNE 可视化、动态时间扭曲（DTW）和熵评分对生成的信号进行评估，结果表明与卷积网络方法相比，生成的信号与示例数据集的相似性更高。

Jan, 2024

通过与一个识别模型相结合，我们开发了一个可扩展的深度非参数生成模型。在利用多层感知器的变分框架下，我们重新参数化变分后验分布，并推导出一个可处理深度学习任务规模数据集的变分下界公式，证明了该方法在深度无监督学习和深度贝叶斯优化领域的有效性。

Nov, 2015