将生成对抗网络的应用领域从单资产序列生成拓展至多资产序列生成

本研究将生成对抗网络的应用领域从单资产序列生成拓展至多资产序列生成。多资产序列生成中，不仅需要模拟每种资产收益率的分布特征和时序特性，还需要复现多资产之间的协变关系。为此必须在前期研究基础上进行两项改造：1）增加评价多资产之间协从真实序列的典型化事实出发，设计多资产收益率序列评价指标变关系的指标；2）改变网络结构使之能适应多资产输入。我们将改造后的WGAN模型应用于1）相同类型的三种股票指数以及2）不同类型的股票、债券、商品指数收益率序列的生成，结果表明WGAN能够复现真实序列具有的典型化事实，在评价指标上相比对照组模型更接近真实序列。

从真实序列的典型化事实出发，设计多资产收益率序列评价指标

设计评价指标的出发点是典型化事实。经济学中的典型化事实是人们从经济运行中观察到的客观现象的简化描述，也是对数据统计分析结果的高度概括。本文研究的对象是多资产收益率时间序列，典型化事实既涉及单资产序列本身，又涉及多资产序列间的协变关系。本文从真实的多资产序列典型化事实出发，设计相应指标评价生成序列质量。在前期研究使用的厚尾分布、波动率聚集等6项单资产序列评价指标的基础上，本文进一步设计交叉相关性、波动率相关性、交叉杠杆效应、滚动相关系数分布相似度、极端值相关性共5项多资产收益率序列评价指标，衡量WGAN的生成效果。

将WGAN判别器输入设置为多通道，以适用于多资产序列生成任务

本文在前期研究使用的WGAN基础上进行网络结构改造。在多资产生成的应用场景下，为了使判别器D具有鉴别多资产序列的能力，我们将第一层卷积层设置为多通道输入，每一通道对应一项资产。此时，判别器D不仅能在时间序列维度上提取单资产时序相关性的局部特征，也能在通道维度上提取多资产相关性的局部特征。我们将WGAN分别应用于1）相同类型资产（标普500、上证综指、欧洲斯托克50）；2）不同类型资产收益率序列生成（沪深300、中债-国债总财富指数、SGE黄金9999），并与对照组Bootstrap重采样和MGARCH模型等传统时间序列模拟方法进行比较。

WGAN相比于对照组模型能够更好复现真实序列的典型化事实

结果表明，无论是单资产序列评价指标还是多资产序列评价指标，相较于对照组Bootstrap和MGARCH方法，WGAN生成的多资产序列均能更好复现真实序列呈现的典型化事实，各项评价指标均与真实序列的结果较为接近。尤其是单资产收益率的杠杆效应、粗细波动率相关和盈亏不对称性，以及两资产收益率的1阶正相关性和交叉杠杆效应，对照组Bootstrap和MGARCH方法均无法复现真实序列具有的上述典型化事实。