第 6 章 · 03 RGAN 与序列生成评估

第 6 章 · 03 RGAN 与序列生成评估

本节摘要:本节讲相对生成对抗网络(Relative GAN,RGAN)及金融序列生成的质量评估问题。前两节的 GAN/WGAN 解决了「怎么生成」,但「生成得好不好」这个评估难题一直悬而未决——金融序列不像图像能用人眼判断,需要客观的统计与任务指标。华泰 AI 系列第 36 篇引入 RGAN(相对生成对抗网络),它改进判别器的输出方式,让 critic 同时考虑真假数据的「相对」关系,提升生成质量与训练稳定性;同时第 24/25 篇探讨的「真假序列识别」提供了评估生成序列质量的新视角——训练一个分类器去分辨真假序列,若分类器都难分辨,说明生成质量高。本节讲清 RGAN 的相对判别思想、生成序列质量的评估维度(统计保真、下游有用、分类器识别),以及「假序列」在金融里的双面价值(既是评估对象,也可作为负样本用于鲁棒性训练)。

内容来源:仓库研报 华泰 AI 系列第 36 篇(RGAN)、第 24/25 篇(真假序列识别),知识结构化整理。

⚠️ 学习提示:生成序列的评估没有单一「金标准」,务必多维交叉验证。尤其要警惕「统计指标好但下游无用」的陷阱——后者才是金融 GAN 的最终目的。

学习目标

阅读完本节,你应当能够:

1. 说清 RGAN 的相对判别思想与相对原始 GAN 的改进。
2. 列举生成金融序列的质量评估维度(统计保真/下游有用/分类器识别)。
3. 理解「真假序列识别」作为评估手段的原理。
4. 评估 RGAN 与生成序列评估在金融的适用边界。

一、生成评估:GAN 在金融最棘手的问题

第 01 节提到 GAN 的训练难题之一就是「评估困难」——生成数据的质量很难量化。这个问题在金融里尤其突出:

• 图像生成:人眼直接看,像不像猫一目了然。
• 金融序列生成:人眼看一堆收益率曲线几乎判断不了好坏,必须依赖客观指标。

更关键的是,金融 GAN 的最终目的不是「造得像」,而是「下游有用」——生成数据要能提升选股/风险模型的样本外表现。但「像」与「有用」之间常有落差,很多生成序列统计指标都接近真实,却对下游任务毫无帮助,甚至有害。

华泰 AI 36 引入 RGAN 改进生成质量,同时第 24/25 篇探讨的「真假序列识别」为评估提供了新思路。本节围绕这两条线展开。

二、RGAN:相对判别的思想

原始 GAN 的判别器 D 输出的是「这个输入是真实数据的概率」——它独立评估每个样本。相对生成对抗网络(Relative GAN,RGAN)的改进是:判别器不只判断单个样本是真是假,而是同时看真实样本与生成样本,判断「真实样本比生成样本更真」的程度。

用文字描述 RGAN 的判别器输出:

• 原始 GAN:D(x) 表示 x 是真数据的概率,D(G(z)) 表示 G(z) 是真数据的概率,两者独立。
• RGAN:D(x) - D(G(z)) 表示「真实样本 x 比生成样本 G(z) 更像真数据」的程度。

这个「相对」比较带来几个好处:

1. 更稳定的训练:相对比较让判别器的输出更平衡,不易出现「一边倒」(判别器过强或过弱)。
2. 更好的生成质量:生成器被驱动去造「不输于真实」的数据,而非仅仅骗过判别器,生成的质量更高。
3. 理论统一:RGAN 框架统一了多种 GAN 变体(如 LSGAN、WGAN),提供了更通用的视角。

在金融序列生成里,RGAN 的相对判别尤其有价值——金融信噪比低,独立判别容易让判别器过早学会分辨(因为噪声本身就有区分性),相对判别则迫使判别器关注「真实序列整体比生成序列好在哪里」,生成的序列在整体统计性质上更接近真实。

三、生成序列质量评估的三个维度

华泰 AI 系列在多篇里逐步形成了金融序列生成质量的三维评估框架:

维度 1:统计保真度(Statistical Fidelity)

比较生成序列与真实序列的统计性质是否匹配,常用指标:

生成序列在这些指标上越接近真实,统计保真度越高。但这是必要条件,不是充分条件——统计接近不代表下游有用。

维度 2:下游有用性(Downstream Usefulness)

把生成数据加入下游任务(如训练选股模型),看样本外效果是否提升。这是金融 GAN 的最终目的,也是最硬的检验:

• 用「真实数据 + 生成数据」训练选股模型,对比仅用真实数据训练,样本外 IC/收益是否提升?
• 用生成数据做压力测试,策略在极端场景的表现是否合理?

如果生成数据加入后样本外效果反而下降,说明它引入了偏差,「统计像」也无意义。

维度 3:分类器识别(真假序列分辨)

这是华泰 AI 24/25 探讨的视角:训练一个分类器(本质是另一个判别器)去分辨真实序列与生成序列。

• 如果分类器能轻易分辨(准确率高),说明生成序列与真实序列有显著差异,生成质量差。
• 如果分类器难以分辨(准确率接近 50%,即随机猜),说明生成序列已「以假乱真」,生成质量高。

这本质上是 GAN 博弈的延伸——用一个独立的「裁判」评估生成器的水平。它提供了独立于统计指标与下游任务的第三重视角,常能发现前两者忽略的问题(比如生成序列在某个细微特征上与真实有系统差异)。

四、华泰 AI 24/25:真假序列识别的双重价值

华泰 AI 24/25 探讨的「真假序列识别」不只是评估手段,在金融里还有双重价值:

价值 1:评估生成质量(如上所述)

训练分类器分辨真假,准确率越接近 50%,生成质量越高。

价值 2:作为鲁棒性训练的负样本

金融模型常面临「分布外」问题——训练数据没见过的场景(如新危机)。生成的「假序列」可以作为对抗样本或负样本,用于提升模型的鲁棒性:

• 训练分类器识别「假序列」,让下游模型学会不被生成数据里的噪声误导。
• 把生成数据当作「数据增强」的反面——用它训练模型抵抗分布偏移。

这个思路与第 01 节的「数据增强」相反但互补:增强是「加更多类真样本」,鲁棒性训练是「学会识别与抵抗假样本」。两者都依赖高质量的生成器,但用法不同。

五、RGAN 与评估的协同

华泰 AI 36 的 RGAN 与 24/25 的真假序列识别,实际是金融 GAN 闭环的两面:

RGAN 提供更稳定的生成与更高质量的数据,三维评估(统计、下游、分类器)全方位检验生成质量。两者协同,让金融 GAN 从「能训」走向「能用」。

六、评估的陷阱与实战建议

金融序列生成评估有几个常见陷阱:

陷阱 1:只看统计保真

很多研究只展示「生成序列的均值/方差/自相关与真实接近」,就声称生成成功。但统计接近不代表下游有用,可能生成序列只是「统计上像」却没有真实的预测信号。

对策:务必加下游有用性验证。

陷阱 2:下游验证的过拟合

用生成数据训练、在真实数据测试,样本外效果可能提升——但这可能是「生成数据恰好与测试集分布相似」的巧合,不是泛化。

对策:下游验证也要严格时序切分,生成数据不能「偷看」测试期。

陷阱 3:分类器太弱

真假序列分类器如果本身能力弱(模型简单、训练不充分),分辨不出差异不代表生成质量高。

对策:用强分类器(如 LSTM、Transformer)做识别,确保它有能力发现细微差异。

⚠️ 学习提示:生成序列评估是金融 GAN 最难也最关键的一环。任何「生成成功」的声明,都要追问:统计保真了吗?下游有用吗?强分类器难分辨吗?三者都通过,才算真正可用。华泰 AI 系列在这个问题上的探索,本身就是值得学习的评估方法论。

七、RGAN 与评估的适用边界

RGAN 与三维评估显著提升了金融 GAN 的实用性,但仍有边界:

• RGAN 不是万能:相对判别改善稳定性与质量,但不解决非平稳、极端事件等根本问题。
• 评估依赖下游任务:不同下游任务对生成数据的要求不同,「对选股有用」不一定「对风险模型有用」。
• 计算成本高:三维评估(尤其下游验证)计算量大,迭代成本不低。
• 「以假乱真」仍是统计意义:即使分类器难分辨,生成数据仍不是真实,在统计上是「次优替代」,不能完全取代真实数据。

本节要点回顾

1. 核心问题:生成评估是金融 GAN 最棘手的难题,「像」与「有用」之间有落差。
2. RGAN:判别器做相对判断(D(x)-D(G(z))),训练更稳、生成质量更高,统一多种 GAN 变体。
3. 三维评估:(1) 统计保真(均值/方差/自相关/厚尾/偏度/杠杆效应);(2) 下游有用(样本外效果);(3) 分类器识别(真假分辨准确率接近 50%)。
4. 真假序列识别(华泰 AI 24/25)双重价值:评估生成质量 + 作为鲁棒性训练的负样本/对抗样本。
5. 协同闭环:RGAN 生成 + 三维评估,让金融 GAN 从「能训」走向「能用」。
6. 评估陷阱:只看统计、下游过拟合、分类器太弱——需多维交叉验证。
7. 适用边界:RGAN 不解根本问题、评估依赖下游、计算成本高、生成仍是统计「次优替代」。

下一节,我们看 BERT 与文本情感因子——把自然语言处理用于分析师研报与新闻的情感分析,生成文本因子,是 AI 选股里与 GAN 路线平行的另一条前沿。