PCA y redes neuronales para detectar anomalías en series financieras

Resumen

Este enfoque detecta anomalías en series temporales financieras que contienen varios factores de riesgo de mercado, donde las observaciones contaminadas pueden distorsionar los modelos de riesgo y sus medidas resultantes. Primero aplica análisis de componentes principales para comprimir y reconstruir los datos de series temporales y extraer características representativas. Después, una red neuronal de propagación hacia delante genera una puntuación de anomalía y marca las observaciones que superan un umbral.

En lugar de fijar manualmente ese umbral, el método lo aprende como parámetro de la red mediante una función de pérdida personalizada. Los autores comparan el enfoque con detectores de anomalías establecidos en conjuntos de datos sintéticos y reales, y comunican un rendimiento alto y estable. También observan menores errores de estimación del valor en riesgo cuando las anomalías detectadas se corrigen mediante un método básico de imputación. El fragmento no especifica el tamaño de los conjuntos de datos, las condiciones de comparación ni hasta qué punto se mantienen los resultados en distintos mercados y regímenes; la imputación también puede afectar a las estimaciones de riesgo posteriores.

Ideas clave

• El análisis de componentes principales comprime y reconstruye series financieras para extraer características de detección.
• Una red neuronal de propagación hacia delante asigna una puntuación de anomalía a cada serie.
• El umbral de anomalía se aprende durante la optimización, en vez de fijarse manualmente.
• El enfoque se evalúa frente a detectores conocidos con datos sintéticos y reales.
• Según el informe, la imputación básica después de la detección reduce los errores de estimación del valor en riesgo.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.