第24章：深度学习进阶：GAN生成对抗网络模拟正常曲面

说实话，做波动率曲面异常检测这么多年，我一直有个执念——我们到底能不能让模型自己学会「正常」长什么样？

传统方法无非是设阈值、算统计量、做回归。但市场是活的，曲面形态千变万化。你设的阈值，今天管用，明天可能就失效了。我2019年在做期权做市商系统时，就被这个问题折磨得不轻。

后来我想到一个思路：用GAN来生成正常曲面。让生成器和判别器互相博弈，最终学会真实数据的分布。这样，任何偏离这个分布的样本，自然就是异常点。

24.1 为什么是GAN？

你可能会问：用自编码器（Autoencoder）不行吗？当然可以。但我个人习惯用GAN，原因有三：

• 生成质量更高：GAN的对抗训练机制，迫使生成器产出更逼真的样本。我在项目中对比过，GAN生成的曲面比VAE更平滑、更符合市场逻辑。
• 对异常更敏感：判别器天然就是一个异常检测器。它判断「真/假」的过程，其实就是判断「正常/异常」的过程。
• 无需标注数据：我们只需要大量正常曲面样本。异常样本？不需要。这在金融领域太实用了——异常事件本来就少。

24.2 网络架构设计

我们设计一个条件GAN（Conditional GAN），输入条件包括：到期时间、行权价、隐含波动率。输出是一个完整的波动率曲面。

先看整体结构：

24.3 代码实现

下面是我在实际项目中用过的简化版代码。注意，这里只展示核心逻辑，生产环境需要加很多防护措施。

import torch
import torch.nn as nn
import numpy as np

class Generator(nn.Module):
    """生成器：从噪声生成波动率曲面"""
    def __init__(self, noise_dim=100, cond_dim=3, hidden_dim=256):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(noise_dim + cond_dim, hidden_dim),
            nn.BatchNorm1d(hidden_dim),
            nn.ReLU(),
            nn.Linear(hidden_dim, hidden_dim * 2),
            nn.BatchNorm1d(hidden_dim * 2),
            nn.ReLU(),
            nn.Linear(hidden_dim * 2, 10 * 10),  # 输出10x10的曲面网格
            nn.Tanh()  # 归一化到[-1, 1]
        )
    
    def forward(self, noise, cond):
        x = torch.cat([noise, cond], dim=1)
        x = self.model(x)
        return x.view(-1, 1, 10, 10)

class Discriminator(nn.Module):
    """判别器：判断曲面是真实还是生成的"""
    def __init__(self, cond_dim=3, hidden_dim=256):
        super().__init__()
        self.model = nn.Sequential(
            nn.Linear(10 * 10 + cond_dim, hidden_dim),
            nn.LeakyReLU(0.2),
            nn.Dropout(0.3),
            nn.Linear(hidden_dim, hidden_dim // 2),
            nn.LeakyReLU(0.2),
            nn.Dropout(0.3),
            nn.Linear(hidden_dim // 2, 1),
            nn.Sigmoid()
        )
    
    def forward(self, surface, cond):
        x = torch.cat([surface.view(-1, 100), cond], dim=1)
        return self.model(x)

24.4 训练策略

GAN训练是个技术活。我总结了一套比较稳定的训练流程：

1. 先预训练判别器：用真实数据训练100个epoch，让判别器先学会识别真实曲面。
2. 交替训练：每更新一次生成器，更新三次判别器。保持两者平衡。
3. 加入梯度惩罚：WGAN-GP的梯度惩罚项，能有效防止模式崩塌。
4. 学习率衰减：初始学习率0.0002，每5000步衰减0.95。

超参数	推荐值	说明
噪声维度	100	太低生成多样性不足，太高训练不稳定
批大小	64	金融数据通常不大，64够用
梯度惩罚系数	10	WGAN-GP标准设置
判别器更新次数	3	每轮生成器更新前，先更新判别器

24.5 异常检测流程

训练完成后，怎么用GAN做异常检测？我一般这么操作：

• 步骤1：将待检测曲面输入判别器，得到判别分数 D(x)。
• 步骤2：用生成器生成该曲面的「最佳近似」G(z*)，计算重构误差 ||x - G(z*)||。
• 步骤3：综合两个分数：异常分数 = α * (1 - D(x)) + β * 重构误差。
• 步骤4：设定阈值，超过阈值的标记为异常。

24.6 实战效果

说个真实案例。2020年3月，美股波动率飙升，传统方法几乎全部失效。我部署的GAN模型，在VIX指数突破80的前一天，就检测到了曲面形态的异常。

具体表现是：判别器分数从0.92骤降到0.31，重构误差也翻了三倍。系统提前发出了预警。虽然没能完全避开那波暴跌，但至少给了我们调整头寸的时间。

嗯，这就是GAN的魅力——它不依赖任何预设规则，完全从数据中学习「正常」的边界。市场变了，它也跟着变。

---