論文の概要: Multi-Modal Financial Time-Series Retrieval Through Latent Space
Projections
- arxiv url: http://arxiv.org/abs/2309.16741v2
- Date: Tue, 2 Jan 2024 10:18:24 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-03 19:52:48.156253
- Title: Multi-Modal Financial Time-Series Retrieval Through Latent Space
Projections
- Title(参考訳): 潜在宇宙投射によるマルチモーダル金融時系列検索
- Authors: Tom Bamford, Andrea Coletta, Elizabeth Fons, Sriram Gopalakrishnan,
Svitlana Vyetrenko, Tucker Balch, Manuela Veloso
- Abstract要約: ディープエンコーダを用いた低次元ラテント空間において,金融時系列のマルチモーダルデータを格納するためのフレームワークを提案する。
我々のアプローチはユーザフレンドリーなクエリインタフェースを可能にし、自然言語のテキストや時系列のスケッチを可能にします。
- 参考スコア(独自算出の注目度): 9.092375785645306
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Financial firms commonly process and store billions of time-series data,
generated continuously and at a high frequency. To support efficient data
storage and retrieval, specialized time-series databases and systems have
emerged. These databases support indexing and querying of time-series by a
constrained Structured Query Language(SQL)-like format to enable queries like
"Stocks with monthly price returns greater than 5%", and expressed in rigid
formats. However, such queries do not capture the intrinsic complexity of high
dimensional time-series data, which can often be better described by images or
language (e.g., "A stock in low volatility regime"). Moreover, the required
storage, computational time, and retrieval complexity to search in the
time-series space are often non-trivial. In this paper, we propose and
demonstrate a framework to store multi-modal data for financial time-series in
a lower-dimensional latent space using deep encoders, such that the latent
space projections capture not only the time series trends but also other
desirable information or properties of the financial time-series data (such as
price volatility). Moreover, our approach allows user-friendly query
interfaces, enabling natural language text or sketches of time-series, for
which we have developed intuitive interfaces. We demonstrate the advantages of
our method in terms of computational efficiency and accuracy on real historical
data as well as synthetic data, and highlight the utility of latent-space
projections in the storage and retrieval of financial time-series data with
intuitive query modalities.
- Abstract(参考訳): 金融機関は通常何十億もの時系列データを処理し保存し、連続して高い頻度で生成する。
効率的なデータストレージと検索をサポートするため、特殊な時系列データベースとシステムが登場した。
これらのデータベースは、制約付き構造化クエリ言語(SQL)のようなフォーマットで時系列のインデックス化とクエリをサポートし、「月価が5%を超えるスタック」のようなクエリを可能にし、厳密なフォーマットで表現される。
しかし、そのようなクエリは高次元時系列データの本質的な複雑さを捉えておらず、画像や言語(例えば「低ボラティリティ状態の在庫」)によってよく説明される。
さらに、時系列空間での検索に必要なストレージ、計算時間、検索の複雑さは、しばしば非自明である。
本稿では,遅延空間の投影が時系列の傾向だけでなく,金融時系列データの望ましい情報や特性(価格変動など)も捉えることができるような,低次元の潜時空間に深層エンコーダを用いて,金融時系列のマルチモーダルデータを格納するためのフレームワークを提案し,実証する。
さらに,ユーザフレンドリなクエリインタフェースを実現し,自然言語テキストや時系列のスケッチを可能にし,直感的なインタフェースを開発した。
本手法は,実履歴データおよび合成データにおける計算効率と精度の面での利点を実証し,直観的なクエリモダリティを有する金融時系列データの保存・検索における潜在空間投影の有用性を強調する。
関連論文リスト
- SalienTime: User-driven Selection of Salient Time Steps for Large-Scale
Geospatial Data Visualization [16.343440057064864]
本稿では,ユーザ主導の時間選択を容易にするために,オートエンコーダと動的プログラミングを活用する新しい手法を提案する。
我々は、時間ステップの効率的かつ状況に応じた選択を可能にするWebベースのインターフェースを設計、実装する。
論文 参考訳(メタデータ) (2024-03-06T04:27:10Z) - Large Models for Time Series and Spatio-Temporal Data: A Survey and
Outlook [95.32949323258251]
時系列データ、特に時系列データと時間時間データは、現実世界のアプリケーションで広く使われている。
大規模言語やその他の基礎モデルの最近の進歩は、時系列データマイニングや時間データマイニングでの使用の増加に拍車を掛けている。
論文 参考訳(メタデータ) (2023-10-16T09:06:00Z) - Time-LLM: Time Series Forecasting by Reprogramming Large Language Models [110.20279343734548]
時系列予測は多くの実世界の力学系において重要な意味を持つ。
時系列予測のための大規模言語モデルを再利用するための再プログラミングフレームワークであるTime-LLMを提案する。
Time-LLMは、最先端の特殊な予測モデルよりも優れた、強力な時系列学習者である。
論文 参考訳(メタデータ) (2023-10-03T01:31:25Z) - TSGM: A Flexible Framework for Generative Modeling of Synthetic Time
Series [79.64785804590821]
時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。
本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
論文 参考訳(メタデータ) (2023-05-19T10:11:21Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - Attention Augmented Convolutional Transformer for Tabular Time-series [0.9137554315375922]
時系列分類は、産業データ科学において最も頻繁に実行されるタスクの1つである。
時系列データから表現を学習するための新しいスケーラブルアーキテクチャを提案する。
提案するモデルはエンドツーエンドで,カテゴリ型と連続型の両方の値入力を処理できる。
論文 参考訳(メタデータ) (2021-10-05T05:20:46Z) - Partially-Aligned Data-to-Text Generation with Distant Supervision [69.15410325679635]
我々はPADTG(Partially-Aligned Data-to-Text Generation)と呼ばれる新しい生成タスクを提案する。
自動的にアノテートされたデータをトレーニングに利用し、アプリケーションドメインを大幅に拡張するため、より実用的です。
我々のフレームワークは、全てのベースラインモデルより優れており、部分整合データの利用の可能性を検証する。
論文 参考訳(メタデータ) (2020-10-03T03:18:52Z) - Machine Learning for Temporal Data in Finance: Challenges and
Opportunities [0.0]
一時データは金融サービス(FS)業界で広く使われている。
しかし、機械学習の取り組みは、これらのデータの時間的豊かさを説明できないことが多い。
論文 参考訳(メタデータ) (2020-09-11T19:39:27Z) - Modeling Financial Time Series using LSTM with Trainable Initial Hidden
States [0.0]
本稿では,ディープラーニングモデルを用いた金融時系列のモデリング手法を提案する。
トレーニング可能な初期隠れ状態を備えたLong Short-Term Memory (LSTM) ネットワークを使用する。
論文 参考訳(メタデータ) (2020-07-14T06:36:10Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。