自回归扩散模型能否生成市场数据？实习生用四年美股数据做了实验
2026.10.10 · 观点 · 论文 · 社区热议
实习生用自回归扩散建模市场事件流，发现全连续扩散难以拟合真实数据的尖峰分布。
量化金融实习生 Kavish 用四年美股数据构建事件级生成模型，采用因果掩码 Transformer 编码器加扩散头，自回归生成下一事件的价格、时间等特征。他发现 DDPM 在高噪声下发散，流匹配表现更好，而全连续扩散无法适应真实市场数据的尖峰分布，尝试平滑与部分离散化后更清楚未来生成模型该长什么样。
- 用四年美股数据，每行含时间戳、价格、事件类型
- 架构为因果掩码 Transformer 编码器加事件类型头和扩散头
- DDPM 发散，流匹配在实验中表现更好
- 全连续扩散难以拟合市场数据的尖峰分布
- 尝试平滑点质量与离散化部分目标
为什么值得看
了解生成式模型在量化金融中最前沿的工程取舍
适合谁关注
量化研究员、生成模型工程师、金融科技从业者