如果要测试一个投资组合能否扛过危机，最直接的办法是拿历史上的坏行情来“撞”它。问题是，真正的极端行情很少，市场环境又不断变化。扩散模型提供了另一条路：先学习金融数据的分布，再生成价格路径、订单簿状态或压力情景，供预测、风控和模拟使用。
Zhuohan Wang 与 Carmine Ventre 的综述《Diffusion Models in Finance: A Survey》整理了这片迅速扩张、但证据仍很零散的领域。论文按数据对象划出四块版图：时间序列、限价订单簿、表格数据，以及相关矩阵、波动率曲面等结构化对象。它更像一张技术路线图，而不是一份“扩散模型已经胜出”的成绩单。下文涉及能力判断均来自这篇综述及其开源仓库，尚无独立信源交叉验证。
它怎么“编”出一段市场？
扩散模型（diffusion model）的基本做法并不神秘。训练时，它逐步给真实数据加噪，直到原始结构几乎消失；随后学习反向去噪，从随机噪声一步步还原出新样本。就像把一张市场走势图反复弄模糊，再训练模型学会如何从模糊中重建一张合理、但不必与原图相同的新图。
作者认为，这类模型的吸引力主要有三点。第一，训练目标是逐步去噪，通常比生成对抗网络那种两个模型互相博弈的过程稳定。第二，它强调模式覆盖（mode coverage）——不仅生成最常见的平稳行情，也尽量覆盖罕见形态。金融风险常藏在尾部，漏掉少见状态尤其危险。第三，它支持条件生成（conditioning）：研究者可以附加趋势、波动率、市场状态、资产特征或压力等级，让模型回答“在这种环境下，可能出现什么”。
论文还强调一层数学上的便利。扩散模型可以写成随机微分方程（SDE）——一种用连续时间随机扰动描述变量演化的语言；金融里的 Itô calculus 和 stochastic control 也常用这套语言。两者因此容易衔接。但这只是形式和工具链上的契合，不代表模型自然就有更好的预测、定价或交易效果。
能力地图：四类数据，四种难题
时间序列是目前最大的应用群。 模型生成或预测价格、收益、成交量和因子序列，也有人用生成样本补充压力场景，再交给投资组合优化或强化学习策略。这里的难点不只是让曲线“看起来像”，还要保留厚尾、波动聚集、市场状态切换，以及多资产之间的相关性。条件生成进一步允许用户指定趋势、波动率、崩盘强度或因子状态。
限价订单簿（limit order book，LOB）更像一台受规则约束的实时队列。 它记录买卖报价、挂单数量和订单事件。价格要符合最小变动单位，买价必须低于卖价，挂单量不能为负，事件顺序还要连贯。综述收录的工作既生成下单、撤单等订单流，也生成未来订单簿快照和反事实轨迹，例如模拟高波动、低流动性或订单失衡环境。
表格数据关注的是信用、支付、客户和欺诈记录。 这类数据同时含连续数值、类别、标签和身份关系。扩散模型可用于合成记录、补充少数类别，或为欺诈检测增加罕见样本。但“像真的”并不够：生成记录还要满足业务约束，并同时评估效用、保真度和隐私泄露风险。综述列出的方向包括差分隐私、联邦训练、约束生成和反事实解释。
其他结构化对象最考验金融有效性。 相关矩阵需要对称且半正定；隐含波动率曲面要保持跨执行价与期限的一致性；收益率曲线要平滑且经济上合理；用于衍生品定价的路径还可能需要满足风险中性条件。对这些对象，评价重点不能只是统计相似，而是生成结果是否仍然“金融上可用”。
真正的分水岭，不是生成得像不像
这篇综述最值得量化团队关注的地方，是它把应用按数据对象拆开。价格序列、订单簿、客户表格和波动率曲面看似都能变成张量，但各自的有效性标准完全不同。通用生成指标无法替代对象特定的约束与下游检验。
作者把评测列为最紧迫的问题。现有研究常使用专有数据，不同论文的时间跨度、采样频率、预处理、基线和下游任务也不一致。因此，许多结果只能说明模型在某个设置下可行，难以累积成“哪种方法更成熟”的可靠结论。作者建议建立按金融对象划分的基准，而不是只做零散的真实感检查。
第二个问题是规模。金融领域尚不清楚，扩大模型、增加资产、拉长历史或加入更多条件后，改进究竟来自算力、数据质量，还是任务设计。第三步则是从生成走向决策：不再只问样本像不像市场，而是检验它能否在风险限制、交易成本和监管约束下改善配置、对冲、执行或做市。
局限与未知
- 综述列出了大量模型和应用，但不同研究缺少统一数据、指标与基线，不能据此排出可靠的性能榜单。
- “稳定训练”“较强模式覆盖”等是作者对模型家族的概括，论文没有提供统一基准或汇总数字来证明其在金融任务中普遍成立。
- 作者以“To the best of our knowledge”称其为首篇专门讨论金融扩散模型的综述。这是单一团队的优先权声明，不宜当作确定事实。
所以，这张地图传递的不是“扩散模型已经能预测市场”，而是一个更克制的判断：它已经进入金融数据生成、预测辅助、风险模拟和结构化建模的多个环节；真正决定技术成熟度的，将是统一评测、金融约束、隐私安全，以及样本最终能否改善真实决策。