PCA et réseaux neuronaux pour détecter les anomalies financières

Résumé

Cette approche détecte les anomalies dans les séries temporelles financières comportant plusieurs facteurs de risque de marché, où les observations contaminées peuvent fausser les modèles de risque et les mesures qui en découlent. Elle applique d’abord l’analyse en composantes principales pour compresser et reconstruire les séries temporelles, en extrayant des caractéristiques qui les représentent. Un réseau neuronal à propagation avant produit ensuite un score d’anomalie, et les observations dépassant un seuil sont signalées.

Au lieu de fixer ce seuil manuellement, la méthode l’apprend comme paramètre du réseau au moyen d’une fonction de perte personnalisée. Les auteurs comparent l’approche à des détecteurs d’anomalies reconnus sur des jeux de données synthétiques et réels et rapportent des performances élevées et stables. Ils constatent également une baisse des erreurs d’estimation de la valeur à risque lorsque les anomalies détectées sont corrigées par une méthode simple d’imputation. L’extrait ne précise ni la taille des jeux de données, ni les paramètres de comparaison, ni la robustesse des résultats selon les marchés et les régimes ; l’imputation peut également influer sur les estimations de risque en aval.

Idées clés

• L’analyse en composantes principales compresse et reconstruit les séries financières afin d’en extraire des caractéristiques de détection.
• Un réseau neuronal à propagation avant attribue un score d’anomalie à chaque série.
• Le seuil d’anomalie est appris pendant l’optimisation au lieu d’être fixé manuellement.
• L’approche est évaluée par rapport à des détecteurs connus sur des données synthétiques et réelles.
• Une imputation simple après détection réduirait, selon les résultats rapportés, les erreurs d’estimation de la valeur à risque.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.