Neues Netzwerk entdeckt verborgene Zusammenhänge in multivariaten Zeitreihen

Ein neues Forschungsprojekt aus dem Bereich der Zeitreihenanalyse hat ein innovatives, task‑agnostisches Entdeckungsframework vorgestellt, das ohne Annahmen zu Linearität, Stationarität oder einem spezifischen Ziel arbeitet. Das Ziel ist es, versteckte Beziehungen zwischen Entitäten in multivariaten Zeitreihen zu identifizieren und dabei ein leicht interpretierbares Netzwerk zu erzeugen.

Der Ansatz nutzt einen unsupervised Sequence‑to‑Sequence Autoencoder, um für jedes Zeitfenster eine Repräsentation zu lernen. Diese Fenster‑Level‑Embeddings werden anschließend zu Entitäts‑Embeddings zusammengefasst. Durch Anwenden einer Schwelle auf einen latenten Ähnlichkeitswert entsteht ein sparsames Netzwerk, das die Suche nach Paarbeziehungen stark reduziert und potenzielle Zusammenhänge für weitere Analysen offenlegt.

Die Wirksamkeit des Modells wurde anhand eines anspruchsvollen Datensatzes von stündlichen Kryptowährungsrenditen demonstriert. Das resultierende Netzwerk zeigt eine kohärente Struktur, die auf latente Ähnlichkeiten zurückzuführen ist. Zusätzlich wurde ein klassisches ökonometrisches Modell als diagnostische Referenz herangezogen, um die entdeckten Kanten im Kontext zu interpretieren. Das Ergebnis unterstreicht die Fähigkeit des Ansatzes, komplexe, nichtlineare Beziehungen in realen Zeitreihen zu erfassen und als Grundlage für tiefere Untersuchungen zu dienen.