标签： #扩散模型

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。

金融收益的尾部风险远比正态假设预测的更厚，传统参数方法（GARCH、t分布）在极端分位点仍然系统性偏差。本文用分数匹配（Score Matching）从原始收益数据直接估计整条概率密度——不假设分布族、不依赖MLE的尾部外推，用核密度与数值score估计把VaR从『正态幻觉』拉回真实数据。受控实验证明：t₄分布下正态VaR在1%水平低估极端损失达3.2pp，而分数匹配几乎贴紧真实分位点。附完整Python实现与三张真实计算图。

生成式模型要学分布 p(x) 却卡在归一化常数 Z 上。得分匹配（Hyvärinen 2005）绕开 Z——只学分数 s(x)=∇log p(x)，它与 Z 无关。去噪分数匹配 DSM（Vincent 2011）更妙：给数据加噪 x̃=x+σε，让网络学预测 (x−x̃)/σ²，等价于「从噪声指回干净数据的方向」；采样用 Langevin 动力学沿分数场爬向高密度区。这正是当今扩散模型（Diffusion）的数学地基。纯 numpy 从零实现 DSM 闭式最优解（Parzen/Tweedie 去噪器）+ Langevin 采样，在「平静态+危机态」混合的重尾金融收益上实测：生成样本还原资产相关 ρ=0.49（真实 0.54）、下尾联动 P(B跌|A跌)=0.45（真实 0.47），重尾与左偏形状 QQ 图基本对齐；但诚实翻车——Langevin 步长 δ 太大方差爆炸（δ=0.2 时 std 误差 9.7）、太小混合慢覆盖不足，且低密度区分数估计误差随距离线性上升（斜率 7.1），采样进不去稀有危机区。拆穿分数匹配免归一化就免费/单尺度够用/Langevin 随便调/生成即真实/直接造行情五类陷阱（中阶）。

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。