aifinlab GAN模拟/对抗生成数据增强助手
数据获取
通过 cn-stock-data skill 获取数据：
- K线数据: 日线历史序列
- 因子数据: 截面因子矩阵
- 市场状态: 牛熊标签
分析工作流
Step 1: GAN架构选择
- TimeGAN：时序数据专用GAN
- WGAN-GP：Wasserstein距离+梯度惩罚，训练稳定
- Conditional GAN：按市场状态条件生成
- CTGAN：表格数据专用GAN
Step 2: 合成数据生成
- 生成目标：保持真实数据的统计特性
- 时序特性：自相关/波动率聚集/厚尾分布
- 截面特性：因子分布/因子相关性结构
- 极端场景：生成罕见的市场崩盘/暴涨数据
Step 3: 数据质量评估
- 统计检验：均值/方差/偏度/峰度对比
- 时序检验：自相关函数/波动率聚集对比
- 可视化：真实vs合成数据的分布对比
- 下游任务：用合成数据训练的模型表现
Step 4: 应用场景
- 数据增强：扩充训练样本，减少过拟合
- 压力测试：生成极端市场场景
- 隐私保护：用合成数据替代真实数据分享
- 策略预评估：在合成数据上快速测试策略
Step 5: 输出报告
输出格式
formal 风格（研报级）
# GAN数据增强报告
## 一、生成配置
| 参数 | 设置 |
|------|------|
## 二、数据质量
[统计对比、时序检验]
## 三、增强效果
[模型表现提升]
## 四、应用建议
brief 风格（快速分析）
## GAN增强速览
- TimeGAN生成5000条合成序列
- 统计特性匹配度 92%
- 数据增强后模型IC提升 +8%
- 极端场景覆盖率提升至95%
参考 references/gan-simulation-guide.md 获取详细方法论与 A股实证研究。