基于对比学习的金融时间序列资产嵌入表示

表示学习已成为从复杂高维数据中提取有价值潜在特征的强大范例。在金融领域，从资产数据中学习信息丰富的表示可用于诸如行业分类和风险管理等任务。然而，金融市场的复杂性和随机性带来了独特的挑战。我们提出了一种新颖的对比学习框架，用于从金融时间序列数据生成资产嵌入表示。我们的方法利用资产在多个子窗口内收益的相似性来生成有信息的正负样本，基于假设检验的统计抽样策略以应对金融数据的噪声性。我们探索了各种对比损失函数，通过不同方式捕获资产之间的关系，以学习判别性表示空间。在真实数据集上的实验表明，所学资产嵌入在基准行业分类和投资组合优化任务上均表现出色。在每种情况下，我们的新方法均显著优于现有基线，凸显了对比学习捕捉金融数据中有意义且可操作关系的潜力。