Autoencoder、VAE 與 GAN——非線性降維與合成資料

這三個架構在圖上分跨 B 級與 C 級，而它們在金融的角色差異比等級差異更大：Autoencoder 做的是降維（把高維資料壓成少數因子），VAE 與 GAN 做的是生成（造出以前不存在的資料）。 前者有明確的成功判準（重建誤差、定價誤差），後者沒有——這個差別就是 B 與 C 的全部內容，而且我認為這個分級是對的。

---

📖 Autoencoder：PCA 的非線性推廣

編碼器 $f_{\theta }$ 把輸入壓到低維 $\mathbf{z}\in {\mathbb{R}}^d$，解碼器 $g_{\varphi }$ 再還原，目標是最小化重建誤差：

$$\underset{\theta ,\varphi }{\min }\mathbb{E}\Vert \mathbf{x}-g_{\varphi }(f_{\theta }(\mathbf{x})){\Vert }^2$$

理解它的最佳切入點是：當編碼器與解碼器都是線性、損失為均方誤差時，最優解張出的子空間與 PCA 相同。 換句話說，autoencoder 就是把 PCA 的線性投影換成任意非線性映射。所有關於 PCA 的直覺都適用，只是壓縮與還原的函數族變大了。

代價也跟著變大：PCA 有唯一的封閉解，autoencoder 的目標函數非凸、解不唯一、潛在維度的排序沒有意義（沒有「第一主成分」這種東西），而且潛在變數的經濟解釋比 PCA 的「水準／斜率／曲度」困難得多。

條件 Autoencoder：這個架構在金融的真正貢獻

Gu、Kelly、Xiu（Journal of Econometrics 222(1), 2021, 429–450）的設計不是「把神經網路套上去」，而是改動了因子模型的結構。

標準因子模型寫成 $r_{it}={\mathbf{\beta }}_i^{\top }{\mathbf{f}}_t+{\epsilon }_{it}$，${\mathbf{\beta }}_i$ 與 ${\mathbf{f}}_t$ 都要估。條件 autoencoder 讓因子暴險成為公司特徵的彈性非線性函數：

$${\mathbf{\beta }}_{it}=h_{\theta }({\mathbf{z}}_{it})$$

其中 ${\mathbf{z}}_{it}$ 是公司 i 在時點 t 的特徵向量（市值、帳面市值比、動能等）。模型同時施加無套利限制。

這個設計解決了一個真實的問題：傳統做法要嘛假設 $\beta$ 固定（錯），要嘛用滾動窗估計（吵）。 讓 $\beta$ 成為特徵的函數，等於宣稱「暴險由公司當下的性質決定」，這既是一個經濟陳述，也大幅減少了要估的參數。

作者報告其樣本外定價誤差遠小於其他領先因子模型，且一般而言統計上不顯著。該架構在特例下退化為 IPCA（instrumented PCA）。

這個結果值得強調：它不是「深度學習比較準」，而是「把非線性放在模型結構中正確的位置，會有效」。放錯位置（例如直接用神經網路預測報酬）的效果遠不如此。

Autoencoder 的其他金融用途

用途	做法
波動率曲面壓縮	把整個曲面壓成少數潛在變數，用於插值、去雜訊與情境生成
異常偵測	重建誤差大的樣本即為異常，用於交易監控與資料品質檢查
去雜訊	Denoising autoencoder：輸入加噪、目標為乾淨訊號
殖利率曲線的非線性因子	Nelson-Siegel 與 PCA 的非線性替代

---

📖 VAE：帶機率結構的 autoencoder

變分自編碼器把潛在變數當成隨機變數，最大化證據下界（ELBO）：

$$\log p(\mathbf{x})\ge {\mathbb{E}}_{q_{\varphi }(\mathbf{z}|\mathbf{x})}[\log p_{\theta }(\mathbf{x}|\mathbf{z})]-D_{\mathrm{KL}}(q_{\varphi }(\mathbf{z}|\mathbf{x})\Vert p(\mathbf{z}))$$

第一項要求重建得好，第二項要求後驗接近先驗（通常取標準常態）。第二項就是 VAE 與普通 autoencoder 的全部差別：它逼迫潛在空間連續且結構化，於是可以從先驗抽樣再解碼，生成新樣本——普通 autoencoder 的潛在空間有洞，隨便抽一個點解碼出來通常是垃圾。

訓練靠重參數化技巧 $\mathbf{z}=\mathbf{\mu }+\mathbf{\sigma }\odot \mathbf{ϵ}$ 讓梯度能穿過抽樣步驟。

VAE 生成的樣本傾向偏模糊（均方誤差損失偏好平均），這在影像上是明顯缺點，在金融時間序列上則表現為低估尾部。

---

📖 GAN：對抗式生成

生成器 G 與判別器 D 做極小極大賽局：

$$\underset{G}{\min }\underset{D}{\max }{\mathbb{E}}_{\mathbf{x}\sim p_{\text{data}}}[\log D(\mathbf{x})]+{\mathbb{E}}_{\mathbf{z}\sim p_{\mathbf{z}}}[\log (1-D(G(\mathbf{z})))]$$

Quant GANs（Wiese、Knobloch、Korn、Kretschmer，Quantitative Finance 2020，DOI 10.1080/14697688.2020.1730426）是這條路線在金融的代表作。它用時序卷積網路作為生成器，報告能重現波動率叢聚、槓桿效應與序列自相關，並且生成器可以設計成允許轉換到風險中性分布。

論文與後續研究指出的限制相當具體：

• 訓練不穩定。 GAN 兩個網路同時最佳化時收斂性有限，遞迴生成架構有外插問題；對超參數敏感且無收斂保證。
• 厚尾可能來自前處理而非學習。 作者以 Lambert W 變換產生厚尾報酬；有評述指出這代表尾部行為來自前處理，而非端到端學到的。
• 長程相依抓不到。 一項 2025 年 arXiv 研究發現 Quant GANs 能捕捉厚尾與部分波動率叢聚，但難以重現長程相依，在較高頻率上尤其明顯。

---

📖 合成資料的根本難題

生成模型在金融被期待解決一個真實而嚴重的問題：我們只有一條歷史。 標普 500 只走過一條路徑，所有回測都在重複使用這同一條路徑，因此過擬合是結構性的，不是紀律問題。如果能生成一千條「同樣統計性質但不同實現」的市場路徑，策略驗證的統計效力會完全改觀。

問題在於，這個期待在邏輯上有缺口。 生成模型是從那一條歷史學來的。它可以產生那條歷史的變體，但它無法生成訓練資料裡不存在的事件類型。在沒有 1987 年崩盤的資料上訓練出來的模型，不會生成 1987 年崩盤。

於是合成資料能做到與不能做到的事相當清楚：

能做到	不能做到
增加同類型情境的樣本數，降低參數估計的變異	產生新類型的尾部事件
壓力測試中生成一致的多資產情境	取代真實的樣本外驗證
在隱私或資料受限時提供替代資料	證明策略在未曾見過的狀態下穩健

第二個難題是評估。 怎麼知道生成的市場是對的？標準做法是比對程式化事實（厚尾、叢聚、槓桿效應）。但這是一個弱檢定：可以同時符合所有已知的程式化事實，而聯合結構仍然錯誤。判別式模型有保留測試集可以算準確率，生成式模型沒有等價物。

---

📖 B 級與 C 級合不合理

VAE／GAN 在 C 級合理。 它們的用途真實（合成資料、壓力情境），但受限於上面兩個難題——無法生成未見過的事件類型，且缺乏可靠的驗證標準。這不是實作品質問題，是方法論的結構限制。

Autoencoder 在 B 級偏低。 條件 autoencoder 在資產定價上交出了樣本外定價誤差遠小於領先因子模型、且一般統計上不顯著的結果，這是一個具體、可檢驗、在頂級期刊發表的成績。我會給 A 級，與 PCA 同級——它是 PCA 的嚴格推廣，而且在至少一個重要任務上證明了這個推廣有實質價值。

不過有一個為 B 級辯護的理由：條件 autoencoder 的成功關鍵在於架構設計（把非線性放在 $\beta$ 上並施加無套利限制），而不是 autoencoder 本身。把 autoencoder 直接套上去的做法沒有可比的成績。若把「autoencoder」理解為通用工具而非那個特定架構，B 級就說得通。

---

🔍 待解問題

• Gu-Kelly-Xiu 2021 的具體表格數值本篇未取得全文核對，僅依摘要與二手整理。
• 「厚尾來自 Lambert W 前處理而非學習」是二手評述的說法，需核對 Quant GANs 原文的消融實驗。
• 合成資料在實際風險管理與法規壓力測試中的採用情形缺乏公開資料。
• 生成模型的評估標準至今沒有共識，這是一個開放的研究問題而非本專欄的疏漏。

🔗 參考連結

• Gu, Kelly, Xiu, Autoencoder Asset Pricing Models（SSRN 3335536）
• Wiese 等, Quant GANs: Deep Generation of Financial Time Series（arXiv 1907.06673v2）
• 2025 年對 Quant GANs 長程相依能力的檢驗（arXiv 2509.19663）

🕒 更新紀錄

• 2026-11-09：建立。