Los datos financieros son costosos y altamente sensibles con acceso limitado. Nuestro objetivo es generar conjuntos de datos abundantes dados los precios originales, mientras se preservan las características estadísticas originales. Introducimos la Red Generativa Antagónica de Wasserstein con Penalización de Gradiente (WGAN-GP) en el campo del mercado de valores, el mercado de futuros y el mercado de criptomonedas. Entrenamos nuestro modelo en varios conjuntos de datos, incluyendo el mercado de valores de Hong Kong, las acciones del Índice Compuesto Hang Seng, los contratos de futuros de metales preciosos listados en la Bolsa Mercantil de Chicago y el Grupo de Bolsa de Japón, así como los contratos al contado y perpetuos de criptomonedas en Binance en varios intervalos de minutos. Cuantificamos la diferencia entre los resultados generados (836,280 puntos de datos) y los datos originales mediante MAE, MSE, RMSE y distancias K-S. Los resultados muestran que WGAN-GP puede simular los precios de los activos y demostrar el potencial de un simulador de mercado para el análisis de trading. Podríamos ser los primeros en abordar clases de activos múltiples de manera sistemática con intervalos de minutos en los mercados de acciones, futuros y criptomonedas. También contribuimos a la metodología de análisis cuantitativo para la calidad de los datos de precios generados y originales.