AI生成高仿真量化交易数据

在量化领域，训练机器学习模型往往会遇到训练数据不足的问题，10年的日线数据其实也只有2000多条，这严重限制了AI量化的研究工作。
针对此问题，我们提出了“一种生成高仿真量化交易数据的赛马场训练架构”，该架构的出发点如下：
原因1：GAN是生成对抗网络，生成“以假乱真”的数据能力更强。
原因2：相比于股价预测，生成可用于机器学习的训练数据更加具有创新性和意义。
原因3：预测和生成  长时间周期  的交易数据，对于研究AI量化具有重要作用。

对于预测模式，有以下三种，基于“贪心算法”的生成方式可以最大程度上保证准确率和精度。
方式1：直接用前30天的数据，生成和预测出后30天的数据。（显然会导致后期误差非常大）
方式2：迭代预测，使用滑动窗口的机制，循环预测。（迭代误差）
方式3：分周期迭代预测，将模型的预测分成1,3,6等周期，在进行预测时，使用“贪心算法”，减少累积误差。