让模型仿造一段金融市场走势，有点像请人临摹舞步：不只要每个动作相似，还要保留先后节奏。新提出的 Log-Signature Wasserstein GAN，正是想把这套复杂“舞步”压缩后再比较，减少训练负担，同时不丢掉路径的形状和顺序信息。
它先把时间序列转换成 log-signature——一种用较少独立坐标概括路径核心信息的表示，再让可学习的 critic（负责判断生成分布与真实分布差距的网络）在这个空间里衡量 Wasserstein 距离。相比 Sig-WGAN 使用固定的线性损失，这个 critic 能随训练调整，给生成器更丰富的反馈；同时维持 1-Lipschitz 约束，使距离的解释成立。
据论文页面披露，作者在合成与真实金融数据上观察到：模型对边际分布、时间依赖和不同变量间依赖的拟合有所改善，训练时间仅适度增加。不过页面未给出具体指标与增幅，因此目前更值得关注的是方法思路，而非效果幅度。