Naukowcy z branży machine learning i finansów przedstawili FINESSE - nowy framework do symulacji agentowej przeznaczony do generowania syntetycznych zbiorów danych dla usług finansowych. Problem, który rozwiązuje FINESSE, jest prosty ale znaczący: istniejące zbiory danych w sektorze finansowym są fragmentaryczne, skupiają się na pojedynczych typach danych lub zadaniach i nie oddają rzeczywistej złożoności systemów finansowych.
Serwis FINESSE łączy wiele jednocześnie zachodzących strumieni zdarzeń - transakcje, płatności, zmiany statusu konta czy interwencje polityczne - każdy z własną przestrzenią akcji i schematem. Kluczowym innowacyjnym elementem jest powiązanie tych strumieni przez ewoluujące stany latentne agentów, co pozwala symulować temporalnie bogate interakcje. To podejście odzwierciedla rzeczywistość, w której decyzje finansowe jednego agenta wpływają na inne zdarzenia w systemie.
Alternatywnie FINESSE-Bench, benchmark wygenerowany przez symulator, wspiera cztery reprezentacyjne zadania: prognozowanie salda konta, detekcję oszustw transakcyjnych, przewidywanie opóźnionych płatności i predykcję następnego zdarzenia. Badacze przetestowali metody z zakresu prognozowania szeregów czasowych, modelowania sekwencji zdarzeń, grafów temporalnych i procesów punktowych. Framework, wraz z symulatorem i zbiorami danych, został udostępniony jako open-source, co powinno znacznie ułatwić badania nad modelowaniem wielomodalnych sekwencji zdarzeń w usługach finansowych.