MarketGANs: Multivariate financial time-series data augmentation using generative adversarial networks
MarketGAN：利用生成对抗网络增强多变量金融时间序列数据AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确建模资产收益因子、时变波动率和跨资产尾部共同变动，分别对应金融因子、波动率与尾部风险。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
MarketGAN：利用生成对抗网络增强多变量金融时间序列数据
- 研究问题
- 在数据严重不足时，如何生成高维资产收益，使样本同时保留跨资产相关、尾部共同变动及时间上的动态特征？
- 方法与思路
- 作者把显式资产定价因子结构嵌入生成对抗框架，以时间卷积网络刻画随机时变载荷和波动率，并联合生成各资产收益。
- 材料陈述的贡献
- 摘要称，美国大盘股日收益应用中，该方法较因子自助法更贴近多种经验特征；因子信息有效时，生成样本改善组合协方差估计。
- 阅读关注点
- 应核对因子信息的来源、数据稀缺的实验设置、尾部依赖评价指标，以及组合比较是否采用可靠的样本外验证和相同基准。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核验；摘要未给出比较数值与组合评价细节，所述优势取决于因子信息有效程度。
原文摘要
This paper introduces MarketGAN, a factor-based generative framework for high-dimensional asset return generation under severe data scarcity. We embed an explicit asset-pricing factor structure as an economic inductive bias and generate returns as a single joint vector, thereby preserving cross-sectional dependence and tail co-movement alongside inter-temporal dynamics. MarketGAN employs generative adversarial learning with a temporal convolutional network (TCN) backbone, which models stochastic, time-varying factor loadings and volatilities and captures long-range temporal dependence. Using daily returns of large U.S. equities, we find that MarketGAN more closely matches empirical stylized facts of asset returns, including heavy-tailed marginal distributions, volatility clustering, leverage effects, and, most notably, high-dimensional cross-sectional correlation structures and tail co-movement across assets, than conventional factor-model-based bootstrap approaches. In portfolio applications, covariance estimates derived from MarketGAN-generated samples outperform those derived from other methods when factor information is at least weakly informative, demonstrating tangible economic value.