TimeGAN情景替换与补充在Rachev比率组合中的可靠性比较

01 摘要

研究在固定训练协议下，使用TimeGAN生成情景进行Rachev比率组合配置，并与历史情景及混合策略对比。作者报告合成情景低估波动和尾部损失、扭曲跨资产依赖，且替换策略换手率更高、对目标函数分母下限敏感。论文结论认为，在测试实现中，生成情景与历史情景的收益差异区间包含零，无法确认生成情景能带来稳健改进。

02 关键点

1. 合成情景的概率质量在固定训练协议下随抽取次数独立变化，且生成器保真度未被假设为最优。
2. TimeGAN情景低估波动与尾部损失并扭曲依赖结构；延长训练仅改善重构损失，未提升跨资产相关性精度。
3. 替换策略提高换手率并受修正目标分母下限影响；所有条件生成与历史收益区间在参考块长度下包含零。