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。