图表相似性搜索：当Gemini嵌入遇上金融技术分析

一个使用Google Gemini多模态嵌入模型实现的概念验证项目，探索如何通过向量相似度匹配来识别视觉上相似的金融图表模式。

金融技术分析的核心假设是：历史会重演。技术分析师通过识别图表模式（头肩顶、双底、三角形整理等）来预测未来价格走势。

但传统模式识别面临几个挑战：

1. 主观性：不同分析师对同一图表可能给出不同解读
2. 时间成本：人工扫描大量图表寻找相似模式效率低下
3. 模式变异：同一模式在不同时间尺度、不同市场条件下呈现不同形态
4. 历史对比：如何快速找到"与当前图表最相似的历史时刻"？

chart-to-chart-search-with-gemini-embeddings-2 提供了一个技术解决方案：使用多模态嵌入模型将图表转换为向量，通过向量相似度实现即时匹配。

传统上，比较两张图片的相似性需要复杂的计算机视觉算法——边缘检测、特征提取、模板匹配等。这些方法计算昂贵且对变形敏感。

多模态嵌入模型（如Google Gemini）改变了游戏规则：

图表图像 → 嵌入模型 → 3072维向量

两张图表的相似性简化为向量间的余弦相似度：

similarity = cos(vector_a, vector_b)

这种方法的优势：

• 计算高效：向量比较是O(n)操作，n为向量维度
• 语义感知：嵌入模型捕捉"视觉语义"而非像素级差异
• 尺度不变：同一模式在不同时间尺度上会产生相似的嵌入
• 端到端：无需人工设计特征，模型自动学习重要模式

项目首先生成常见股票技术模式的合成数据集：

• 头肩顶/底（Head and Shoulders）
• 双顶/双底（Double Top/Bottom）
• 三角形（Ascending/Descending/Symmetrical）
• 旗形和三角旗（Flags and Pennants）
• 杯柄形态（Cup and Handle）
• 通道（Channels）

合成数据的优势：

• 标签完美准确（知道每个图表属于什么模式）
• 可以生成无限数量的变体
• 可以控制噪声水平、时间尺度、振幅等参数

使用Gemini的嵌入API将每个图表转换为3072维向量，存储在本地向量数据库中。

索引过程：

for chart in dataset:
    embedding = gemini.embed_image(chart.image)
    vector_db.add(
        id=chart.id,
        vector=embedding,
        metadata={
            'pattern_type': chart.pattern_type,
            'ticker': chart.ticker,
            'date_range': chart.date_range,
            'outcome': chart.outcome  # 后续走势
        }
    )

用户上传图表后，系统：

1. 生成查询图表的嵌入向量
2. 在向量数据库中执行最近邻搜索
3. 返回最相似的N个历史图表及其元数据

搜索示例：

query_embedding = gemini.embed_image(user_uploaded_chart)
results = vector_db.search(
    query=query_embedding,
    top_k=10,
    filters={'pattern_type': 'head_and_shoulders'}  # 可选过滤
)

分析师识别出一个潜在的头肩顶形态，但不确定判断是否正确。系统可以找到历史上相似形态的案例，展示它们的后续走势，帮助验证当前判断。

"当前市场状况最像历史上的哪个时期？"上传近期大盘走势图，系统返回最相似的历史时段及其后续演变，为决策提供参考。