文章 "金融建模中合成数据的生成式对抗网络（GAN）（第 1 部分）：金融建模中的 GAN 与合成数据概述"

新评论
 

新文章 金融建模中合成数据的生成式对抗网络（GAN）（第 1 部分）：金融建模中的 GAN 与合成数据概述已发布：

本文向交易者介绍产生合成金融数据的生成式对抗网络（GAN），解决模型训练中的数据限制。它涵盖了 GAN 基础知识、python 和 MQL5 代码实现，以及实际的金融应用，令交易者能够通过合成数据强化模型的准确性和健壮性。

GAN 简单说是两个神经网络 — 生成器和鉴别器，两者玩对抗游戏：以下是这些部件的细分。

  • 生成器（Generator）：字面上，其意向是训练一种算法，来模拟实际数据。它配以随机噪声作为输入进行操作，随时间推移，往往会产生更真实的数据样本。在交易术语中，生成器会给出类似于真实序列的虚假价格走势、或交易量序列。

  • 鉴别器（Discriminator）：鉴别器的角色是判定结构化数据、即合成数据中哪些数据是可信赖的。然后甄别每个数据样本是原始数据、或合成数据的似然性。如是结果，在训练过程中，鉴别器提升了把输入归类到真实数据的能力，从而鼓励生成器在生成数据方面取得进展。

现在我们看看对抗过程，因为正是 GAN 的对抗性层面，令它们如此强大。以下是两个网络在训练过程中的交互方式：

  • 步骤 1：生成器遍历噪声，创建一批合成数据样本。 
  • 步骤 2：鉴别器从生成器中获取真实数据，以及合成数据。它赋予了可能性，或者换言之，它对每个样本的真实性“通判判断”。
  • 步骤 3：在接下来的交互中，基于鉴别器的反馈，调整生成器的权重，从而生成更真实的数据。
  • 步骤 4：鉴别器还会改变其权重，以更好地区分真实数据和虚假数据。



作者：LiviaObongo

新评论