来源：Koshiyama, Firoozye & Treleaven (2021), Quantitative Finance
创新
用条件生成对抗网络(cGAN)来做交易策略的参数校准和策略组合。
方法流程
- 训练cGAN：学习金融时间序列的条件分布
- 采样生成：从cGAN生成大量合成样本
- 校准：每条合成样本上优化策略参数
- 集成：所有生成样本的策略做集成(ensemble)
实验
- 579个资产 × 多个交易策略
- cGAN与传统ensemble方案和时间序列交叉验证对比
- 结论：cGAN在传统方法失效时仍能创造alpha
与端到端的关系
- 端到端和SPO通常依赖真实数据的梯度传播
- GAN提供数据增强策略：在没有真实梯度时也能优化策略组合