최근 몇 년 동안 금융 기관과 기업들은 데이터 부족 문제를 해결하고 반사실적 시장 시나리오(counterfactual market scenarios)를 생성하기 위해 합성 데이터(synthetic data)를 점점 더 많이 채택하고 있습니다. 그러나 금융 시계열의 모든 통계적 특성, 즉 흔히 정형화된 사실(stylized facts)로 알려진 특성들을 재현하는 것은 기존의 많은 범용 아키텍처(general-purpose architectures)에 있어 여전히 해결되지 않은 과제로 남아 있습니다. 본 논문에서는 두 가지 유형의 생성 방법론을 결합하여 품질을 인식하는 생성 프레임워크(quality-aware generative framework)를 제시하며, 이들의 통합이 어떻게 기존의 한계를 해결하는 동시에 합성 데이터의 현실성을 높이는지 보여줍니다. 구체적으로, 먼저 상관관계가 있는 주식들의 중간 가격(mid-price)과 거래량(volume) 시계열을 공동으로 생성하도록 설계된 조건부 생성적 적대 신경망(Conditional Generative Adversarial Network, C-GAN)인 CoMeTS-GAN(Correlated Multivariate Time Series GAN)을 소개합니다. 그런 다음, 생성된 상관 구조(correlation structures)의 품질을 향상시키기 위해 우리의 GAN 아키텍처가 최첨단 확산 모델(diffusion models)에 어떻게 통합될 수 있는지 보여줍니다. 구체적으로, GAN의 판별자(Critic)는 확산 과정(diffusion process)을 안내하는 품질 평가 모듈 역할을 수행하여, 생성된 시계열에 학습된 상관 구조를 강제합니다. 우리의 프레임워크는 자산 간 상관 구조를 명시적으로 모델링함으로써 현실적인 주식 시장 시뮬레이션을 위한 가볍고 반응성이 뛰어난 솔루션을 제공합니다. 우리는 선도적인 생성 아키텍처들을 대상으로 실험을 통해 우리의 프레임워크를 검증하였으며, 이것이 주식 시장의 정형화된 사실(stylized facts)을 더 효과적으로 포착하고 자산 간 상관관계를 모델링함을 보여줍니다.