本文探讨GAN模型的一类重要变体——WGAN，并将其运用于金融资产时间序列的生成，发现WGAN在生成数据的真实性和多样性上均优于原始GAN。原始GAN模型具有训练不同步、训练损失函数不收敛和模式崩溃的缺点。WGAN模型使用Wasserstein距离衡量真实分布与生成分布之间的距离，克服了原始GAN 模型中JS距离的缺陷。使用GAN和WGAN生成上证综指日频和标普500 月频收益率序列，结果表明GAN无法复现出真实序列的长时程相关等特性，WGAN则有显著改善，并且WGAN在多样性上相比于GAN也有一定提升。

传统的波动因子以日度收益率数据为基础构建，本文从数据频率和数据类型两方面对其进行了拓展。其中，表现最好的1min频率下的高频成交量波动因子在全市场中取得了年化20.84%的多空收益和6.27%的超额收益，多空夏普比和信息比分别达到2.87和1.62，且在近两年没有出现明显回撤。

本文选取AleksiPitkäjärvi、MattiSuominen和LauriVaittinend三位学者在2019年发表于JournalofFinancialEconomics的文章Cross-AssetSignalsandTimeSeriesMomentum，对文章的研究思路和成果进行了总结。❑本文研究了股债市场之间的一种跨资产现象，并称之为跨资产时间序列动量。文章采用全球20个发达国家股债市场的样本数据，发现债券市场历史收益正向预测股票市场未来收益，而股票市场历史收益负向预测债券市场未来收益。运用这一结论，本文构建了跨资产时间序列动量策略，其夏普比率比传统的时间序列动量组合高45%，比买入-持有策略高70%。

指南详细的说明了数据安全分级的原则、方法和流程，并在附件当中给出了《金融业机构典型数据定级规则参考表》。

本文介绍了羊毛党的背景，利用图谱数据技术了发现互联金融中狡猾的羊毛党，并分享了Talkingdata羊毛党识别解决方案。

移动互联网时代，流量红利期逐渐结束，与传统行业深度融合正成为金融科技行业发展一个核心命题。金麟判断，金融科技正由外及内的改变传统金融服务业，未来会出现更多金融科技与传统行业合作的案例。京东金融正在加大数据与技术能力投入，未来将对更多金融机构输出金融科技能力，打造开放平台生态，构建金融科技生态圈。

白皮书聚焦大数据技术在金融领域的应用，从金融大数据的发展、金融大数据的应用场景分析、金融大数据的典型案例分析、金融大数据应用面临的挑战和促进金融大数据发展应用的相关建议等方面，深入剖析大数据技术在金融领域的应用情况。