[论文解读] Decision-Aware Conditional GANs for Time Series Data

He Sun, Zhun Deng+2 more|arXiv (Cornell University)|Sep 26, 2020

Generative Adversarial Networks and Image Synthesis参考文献 16被引用 5

一句话总结

本文提出决策感知条件生成对抗网络（DAT-CGAN）用于时间序列生成，通过将与决策相关的量（如投资组合权重和精度矩阵）整合到多Wasserstein损失中，以提升训练稳定性和生成质量。通过对齐训练与推理的前瞻步数并采用重叠块采样策略，DAT-CGAN在原始收益和决策相关指标上的表现均优于基于GAN的基线模型。

ABSTRACT

We introduce the decision-aware time-series conditional generative adversarial network (DAT-CGAN) as a method for time-series generation. The framework adopts a multi-Wasserstein loss on structured decision-related quantities, capturing the heterogeneity of decision-related data and providing new effectiveness in supporting the decision processes of end users. We improve sample efficiency through an overlapped block-sampling method, and provide a theoretical characterization of the generalization properties of DAT-CGAN. The framework is demonstrated on financial time series for a multi-time-step portfolio choice problem. We demonstrate better generative quality in regard to underlying data and different decision-related quantities than strong, GAN-based baselines.

研究动机与目标

• 解决标准GAN在生成对下游决策具有可靠性的时序数据方面的局限性。
• 缓解通过决策函数转换合成数据时分布近似误差的放大问题。
• 在低数据量或非平稳时序设置（如金融收益）中，提升样本效率与训练稳定性。
• 为采用重叠块采样和决策感知损失的条件GAN提供理论泛化界。
• 实证表明，将与决策相关的量纳入损失函数可提升在原始数据及决策指标（如投资组合权重和风险矩阵）上的性能。

提出的方法

• 该框架采用多Wasserstein损失，同时包含原始时序数据和与决策相关的量（如投资组合权重、精度矩阵）以指导生成过程。
• 采用重叠块采样策略，以提升样本效率并降低训练中的方差。
• 通过在训练和测试中使用相同数量的前瞻步数，消除暴露偏差，确保训练与推理之间的一致性。
• 生成器与判别器采用共享条件：判别器接收与生成器相同的上下文信息，以防止其过于强大。
• 采用多判别器设置，每个判别器专门评估特定量（如收益、效用、精度矩阵）。
• 理论分析为在重叠采样和决策感知损失函数下，时序条件GAN的非渐近泛化界提供了支持。

实验结果

研究问题

• RQ1 将与决策相关的量纳入GAN损失函数，能否提升合成时序数据在决策应用中的保真度？
• RQ2 包含决策指标的多Wasserstein损失结构，如何影响时序GAN的训练稳定性和收敛性？
• RQ3 重叠块采样在多大程度上提升了时序GAN训练中的样本效率与泛化能力？
• RQ4 对齐训练与推理的前瞻步数是否能消除序列时序生成中的暴露偏差？
• RQ5 与强基线GAN模型相比，决策感知GAN在生成原始收益的同时，能否在投资组合权重和风险矩阵等衍生决策变量上也表现出更优性能？

主要发现

• 在模拟数据上，同时包含收益与效用损失的Ret-Utility-GAN在所有评估指标（原始收益、估计精度矩阵、投资组合权重）上均达到最低的Wasserstein距离。
• Ret-Utility-GAN即使在原始收益生成任务上也优于Ret-GAN，表明决策感知损失可改善训练动态与泛化能力。
• 在真实ETF数据（1999–2016）上，Ret-Utility-GAN在投资组合权重与精度矩阵上的Wasserstein损失显著低于Ret-GAN与1Step-GAN。
• Utility-GAN表现良好，但被Ret-Utility-GAN超越，证明联合优化原始收益与决策变量的益处。
• 1Step-GAN基线模型表现出较差的训练稳定性，而DAT-CGAN的前瞻步数对齐策略有效缓解了暴露偏差并提升了生成一致性。
• 理论边界结果证实，重叠块采样方案可提升具有决策感知损失的时序条件GAN的泛化能力。