用于合成金融数据的深度生成模型

本文探讨了使用深度生成模型（TimeGAN和VAE）创建合成金融数据，用于投资组合构建和风险建模。它通过提供合成替代方案，解决了真实金融数据的局限性（隐私、可访问性、可重复性）。这项研究的意义在于证明了这些模型生成逼真金融回报序列的潜力，并通过统计相似性、时间结构测试和下游金融任务（如投资组合优化）进行验证。研究结果表明，合成数据可以作为真实数据的可行替代方案，特别是在模型能够捕捉时间动态的情况下，为研究和开发提供了隐私保护和经济高效的工具。