Nous proposons une solution basée sur l'apprentissage profond pour simuler de manière réaliste des données d'enchères scellées. Les enjeux liés à ce type de données résident dans la gestion des variables discrètes de grande dimension et de la structure multiniveau liée à la présence de multiples offres pour une seule et même enchère. Notre approche intègre une modélisation générative profonde avec un système d'apprentissage artificiel, capable de prévoir la distribution des offres en fonction des propriétés de l'enchère. Cette stratégie constitue une base solide pour l'élaboration d'environnements d'enchères artificiels mais réalistes, adaptés à l'apprentissage et à la modélisation basés sur les agents. Notre contribution est double: nous introduisons une méthodologie complète pour simuler des données d'enchères discrètes à plusieurs niveaux, et nous mettons en lumière le potentiel de la modélisation générative profonde pour améliorer les techniques de simulation et promouvoir le développement de modèles économiques s'appuyant sur l'intelligence artificielle générative.