PCA und neuronale Netze zur Erkennung von Anomalien in Finanzzeitreihen

Zusammenfassung

Dieser Ansatz erkennt Anomalien in Finanzzeitreihen mit mehreren Marktrisikofaktoren, in denen kontaminierte Beobachtungen Risikomodelle und die daraus berechneten Kennzahlen verzerren können. Zunächst komprimiert und rekonstruiert er Zeitreihendaten mithilfe der Hauptkomponentenanalyse und extrahiert Merkmale, die die Zeitreihe abbilden. Anschließend erzeugt ein Feedforward-Neuronales Netzwerk einen Anomaliewert; Beobachtungen oberhalb eines Grenzwerts werden markiert.

Der Grenzwert wird nicht manuell festgelegt, sondern vom Verfahren über eine angepasste Verlustfunktion als Netzwerkparameter gelernt. Die Autoren vergleichen den Ansatz mit etablierten Anomalieerkennungsverfahren auf synthetischen und realen Datensätzen und berichten eine hohe, stabile Leistung. Außerdem stellen sie geringere Fehler bei der Value-at-Risk-Schätzung fest, wenn erkannte Anomalien mit einer einfachen Imputationsmethode korrigiert werden. Der Auszug nennt weder Datensatzgrößen noch Vergleichsbedingungen oder die Übertragbarkeit der Ergebnisse auf verschiedene Märkte und Marktphasen; auch die Imputation kann nachgelagerte Risikoschätzungen beeinflussen.

Kernaussagen

• Die Hauptkomponentenanalyse komprimiert und rekonstruiert Finanzzeitreihen, um Merkmale für die Erkennung zu extrahieren.
• Ein vorwärtsgerichtetes neuronales Netz weist jeder Zeitreihe einen Anomaliewert zu.
• Der Anomaliegrenzwert wird während der Optimierung gelernt, statt von Hand festgelegt zu werden.
• Der Ansatz wird anhand synthetischer und realer Daten mit bekannten Erkennungsverfahren verglichen.
• Nach der Erkennung soll eine einfache Imputation die Fehler der Value-at-Risk-Schätzung verringern.

Schlagwörter

# Anomaly Detection on Financial Time Series by Principal Component Analysis and Neural Networks


# Anomaly Detection on Financial Time Series by Principal Component Analysis and Neural Networks









A major concern when dealing with financial time series involving a wide variety ofmarket risk factors is the presence of anomalies. These induce a miscalibration of the models used toquantify and manage risk, resulting in potential erroneous risk measures. We propose an approachthat aims to improve anomaly detection in financial time series, overcoming most of the inherentdifficulties. Valuable features are extracted from the time series by compressing and reconstructingthe data through principal component analysis. We then define an anomaly score using a feedforwardneural network. A time series is considered to be contaminated when its anomaly score exceeds agiven cutoff value. This cutoff value is not a hand-set parameter but rather is calibrated as a neuralnetwork parameter throughout the minimization of a customized loss function. The efficiency of theproposed approach compared to several well-known anomaly detection algorithms is numericallydemonstrated on both synthetic and real data sets, with high and stable performance being achievedwith the PCA NN approach. We show that value-at-risk estimation errors are reduced when theproposed anomaly detection model is used with a basic imputation approach to correct the anomaly.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.