RAGIC：用于股票区间构建的风险感知生成对抗模型

Feb, 2024

RAGIC：用于股票区间构建的风险感知生成对抗模型

RAGIC: Risk-Aware Generative Adversarial Model for Stock Interval Construction

Jingyi Gu, Wenlu Du, Guiling Wang

TL;DR我们提出了一种新的模型 RAGIC，通过引入序列生成进行股票间隔预测以更有效地量化不确定性，从而弥补了现有单点预测方法的不足。RAGIC 的生成器包括风险模块和时间模块，通过统计推断生成风险敏感的区间，以反映市场波动性，同时考虑到历史价格趋势和季节性，实现了平衡的性能和准确性，并成功解决了股票市场预测中的挑战。

Abstract

Efforts to predict stock market outcomes have yielded limited success due to the inherently stochastic nature of the market, influenced by numerous unpredictable factors. Many existing prediction approaches focus on single-point predictions, lacking the depth needed for effective decision-making and often overlooking market risk. To bridge this gap, we propo

stock market prediction uncertainty quantification generative adversarial network risk perception market volatility

发现论文，激发创造

在自回归图像生成中引入强化对抗学习

使用基于策略梯度优化的强化对抗学习 (RAL)，结合 GAN 启发的对抗损失，实现了图像生成中自回归模型的敌对性学习，提高了生成图像的质量和多样性。该方法在合成和真实数据集上都取得了显著的改善，并在 64*64 图像分辨率上实现了 Celeba 数据集的最优结果。

Jul, 2020

随机 RAG：通过预期效用最大化的端到端检索增强生成

通过引入 Stochastic RAG，本文提出了一种新颖的端到端优化方法，通过在 RAG 中将检索过程建模为一个无替换的随机抽样过程，利用可微的 Gumbel-top-k 提供了一个不同 iable 的无替换采样方法，从而实现了针对 RAG 的有效端到端优化，提高了六个数据集中六个任务的最先进结果。

May, 2024

通过条件生成式对抗网络进行时间序列模拟

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

基于块的自回归 GAN 用于条件波形合成

本研究提出了一种新的音频合成模型 Chunked Autoregressive GAN (CARGAN)，它能够在保持较快的生成速度的同时减少漏洞，并且利用自回归的方法来学习瞬时频率和相位之间的关系，使其在有条件的生成音频方面有更好的表现，同时适合于实时或交互式应用。

Oct, 2021

生成逼真的股市委托流

使用生成对抗网络，提出一种生成逼真高保真的股票市场数据的方法，通过使用条件 Wasserstein GAN 来捕捉订单历史依赖性，生成器设计包括近似市场拍卖机制的组件以及运用订单簿构建增强订单历史的生成任务，提供学习生成器分布的数学特征，并提出统计方法来衡量生成订单的质量，结果显示其生成数据与真实数据相似。

Jun, 2020

具条件循环 GAN 的实值（医学）时间序列生成

本文提出使用循环神经网络的生成对抗网络 (GAN) 框架来生成逼真多维时间序列数据，尤其聚焦于应用在医疗数据上。通过对玩具数据集的试验，本文证明了所提出的 RGAN 和 RCGAN 可以成功地生成逼真的时间序列数据，并在手写数字分类和医疗数据的早期预警系统等方面展示了它们在监督训练任务中的可用性。同时，本文还探讨了利用 RCGAN 生成逼真医学时间序列数据可能引起的隐私问题。

Jun, 2017

深度学习和 GARCH 模型结合的金融波动率和风险预测

采用深度学习神经网络和 GARCH 时间序列模型的混合方法来预测金融工具的波动性和风险，研究发现混合模型能够提供更准确的点波动率预测，但不一定能转化为优越的风险预测。

Oct, 2023

基于生成对抗模型的订单流量的日内价格模拟

使用序列生成对抗网络框架模拟订单流，以生成随机序列来模拟股价波动，通过比较模拟出的股价波动与实际股价波动的经验规律，结果表明生成模型更能够复制真实股价波动的统计行为。

Sep, 2021

RAGAS: 用于检索增强生成的自动评估

我们介绍了 RAGAs（检索增强生成评估）框架，用于无参考评估检索增强生成（RAG）流程，并提出一套可以用来评估不同维度的指标，而无需依赖于人工标注的真值，这对于 RAG 体系结构的快速评估是至关重要的，尤其是考虑到 LLMs 的快速采用。

Sep, 2023

利用检索增强生成（RAG）揭示知识缺口

利用检索增强生成（RAG）模型揭示互联网上的知识空白的方法论，并通过模拟用户搜索行为，RAG 系统识别和解决信息检索系统中的空白。该研究展示了 RAG 系统在生成相关建议方面的有效性，准确率达到 93％。该方法可以应用于科学发现、教育增强、研究发展、市场分析、搜索引擎优化和内容开发等各个领域。研究结果突出了识别和理解知识空白以指导未来努力的价值。

Dec, 2023