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。