---
name: aifinlab/a-share-gan-simulation
source: https://app.decimal.ai/s/aifinlab-a-share-gan-simulation@1/SKILL.md
source_sha256: d0d9e9c7c718
---

# 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。