标签： #合成数据

金融时间序列数据稀缺且标注成本高，扩散模型（Diffusion Model）通过前向加噪与反向去噪的迭代过程，能够生成保持真实统计特性（厚尾、波动聚集、长记忆）的合成数据。本文用 Python 从零实现 DDPM 骨架，在受控实验中证伪三个常见直觉，并给出条件生成与数据增强的实务框架。

历史太短、极端行情稀少，传统压力测试只能回看有限样本。本文用纯 numpy 实现 DDPM 扩散模型生成海量合成 30 日行情，补全历史稀疏的尾部，给出更稳的压力 VaR，并诚实列出过弥散、无法凭空创造新危机等真实陷阱。