基于潜空间投影的多模态金融时间序列检索
机器学习
2024-01-03 v2 人工智能
人机交互
摘要
金融公司通常处理并存储数十亿条以高频连续生成的时间序列数据。为支持高效的数据存储与检索，专门的时间序列数据库与系统应运而生。这些数据库支持以类似受限结构化查询语言(SQL)的格式对时间序列建立索引与查询，从而实现诸如“月价格收益率大于 5% 的股票”这类以僵化格式表达的查询。然而，此类查询未能捕捉高维时间序列数据的内在复杂性，而后者往往可通过图像或语言更好地描述（例如“处于低波动状态的股票”）。此外，在时间序列空间中进行搜索所需的存储、计算时间与检索复杂度通常不容小觑。本文提出并演示了一种框架，利用深度编码器将金融时间序列的多模态数据存储于低维潜空间中，使得潜空间投影不仅捕捉时间序列趋势，还捕捉金融时间序列数据的其他期望信息或属性（如价格波动率）。此外，我们的方法支持用户友好的查询接口，允许自然语言文本或时间序列草图，为此我们开发了直观的界面。我们在真实历史数据与合成数据上展示了该方法在计算效率与准确性方面的优势，并凸显了潜空间投影在具有直观查询模态的金融时间序列数据存储与检索中的效用。
引用
@article{arxiv.2309.16741,
title = {Multi-Modal Financial Time-Series Retrieval Through Latent Space Projections},
author = {Tom Bamford and Andrea Coletta and Elizabeth Fons and Sriram Gopalakrishnan and Svitlana Vyetrenko and Tucker Balch and Manuela Veloso},
journal= {arXiv preprint arXiv:2309.16741},
year = {2024}
}
备注
Accepted to ICAIF 2023