PCA و شبکه‌های عصبی برای تشخیص ناهنجاری سری‌های زمانی مالی
خلاصه
این رویکرد ناهنجاری‌ها را در سری‌های زمانی مالی دارای چندین عامل ریسک بازار تشخیص می‌دهد؛ در چنین داده‌هایی مشاهدات آلوده می‌توانند مدل‌های ریسک و سنجه‌های حاصل از آن‌ها را مخدوش کنند. ابتدا تحلیل مؤلفه‌های اصلی را برای فشرده‌سازی و بازسازی داده‌های سری زمانی به کار می‌گیرد و ویژگی‌های بازنماینده سری را استخراج می‌کند. سپس شبکه عصبی پیش‌خور امتیاز ناهنجاری تولید می‌کند و مشاهدات بالاتر از آستانه را علامت‌گذاری می‌کند.
روش به‌جای تعیین دستی آستانه، آن را از طریق تابع زیان سفارشی به‌عنوان پارامتری از شبکه یاد می‌گیرد. نویسندگان رویکرد را با آشکارسازهای ناهنجاری جاافتاده روی مجموعه‌داده‌های مصنوعی و واقعی مقایسه می‌کنند و عملکرد بالا و پایدار گزارش می‌دهند. همچنین می‌یابند که اصلاح ناهنجاری‌های شناسایی‌شده با روش ساده جایگذاری، خطاهای برآورد ارزش در معرض ریسک را کاهش می‌دهد. گزیده اندازه مجموعه‌داده‌ها، تنظیمات مقایسه یا میزان پایداری نتایج در بازارها و رژیم‌های مختلف را مشخص نمی‌کند؛ جایگذاری نیز می‌تواند بر برآوردهای ریسک بعدی اثر بگذارد.
ایده‌های کلیدی
- تحلیل مؤلفه‌های اصلی سری‌های مالی را فشرده و بازسازی می‌کند تا ویژگی‌های لازم برای تشخیص را استخراج کند.
- شبکه عصبی پیش‌خور به هر سری امتیاز ناهنجاری می‌دهد.
- آستانه ناهنجاری هنگام بهینه‌سازی یاد گرفته می‌شود و دستی تعیین نمی‌شود.
- این رویکرد در برابر آشکارسازهای شناخته‌شده با داده‌های مصنوعی و واقعی ارزیابی می‌شود.
- گزارش شده است که جایگذاری ساده پس از تشخیص، خطاهای برآورد ارزش در معرض ریسک را کاهش می‌دهد.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.