在现代量化金融领域,金融时间序列数据的价值无庸置疑,然而由于受到环境、成本和算法等因素限制,研究者经常会遇到数据稀缺不足的问题。数据增强是一种从已有数据进行探索进而优化研究效果的技术,然而现有数据生成算法仅偏于考虑个体数据建模,无法对整体行为纳入考虑,且分析过程存在严格的诸如平稳性的假设,对生成数据的有效性带有主观性,不具备泛化性。这个问题在金融领域尤为突出,因此对于脱离主观判断的有效生成数据评估方法亟需提出。针对金融时序数据生成与算法效率问题,本文开展了两方面工作:（1）利用两段模型对时序数据分布进行窗口拟合进而进行分布抽样的数据生成,以整体市场特征为指导,有效利用集群特征训练模型。考虑到频域特征的潜在有效性,本文基于两段分布模型引入自适应性快速傅里叶变换特征提取算法,并对方向谱变率算法集群发现过程进行改进,提出优化的两端频域分布生成算法。为验证算法的效果,本文基于最大均值差异的有参评估方法,结合金融市场计量特征,对生成数据的有效性进行了初步探索,并与自回归模型进行了横向对比,发现引入频域特征的两段模型确实对于其在拟合数据分布上具有促进作用且优于传统的自回归方法。（2）将研究方向集中在利用生成对抗网络和条件对抗网络应对金融时序数据的复杂结构和特性。为有效解决数据长依赖问题,并约束生成器的分布拟合方向,做了多项网络结构优化,并在网络训练中使用最大均值差异同时训练进行参数搜索的算法。为符合数据评测的泛化性,提出一种假训真测评测流程,并在实验阶段使用多项机器学习分类方法进行各类生成算法的对比。实验证明,生成对抗网络较其他方法均能更好地学习到数据潜在分布,且其生成数据在重构损失训练算法和Kolmogorov-Smirnov的可存性探索中,表明其并非对真实数据的简单还原。综上,本文基于一种分布假设模型及其扩展,首先引入频域特征改进了两段模型效果,探索出一种针对生成金融时序数据的算法框架,其较两段分布模型或传统计量模型有宽松的条件假设,能指导生成器进行分布约束性训练,同时能反映整体市场的运行特征;本文还提出了适用于生成算法的两种生成评价指标,其避免主观决策,反映数据可存性,同时兼顾下游研究任务,具备良好的泛化性。