본문으로 건너뛰기
라이브러리 문서 전체

금융 시계열 이상 탐지를 위한 PCA와 신경망

기사 arXiv papers · 저자: Stéphane Crépey et al.
원문 읽기

요약

이 접근법은 여러 시장 위험 요인을 포함한 금융 시계열에서 이상치를 탐지합니다. 오염된 관측치는 위험 모형과 그에 따른 측정치를 왜곡할 수 있습니다. 먼저 주성분 분석으로 시계열 데이터를 압축하고 복원해 시계열을 나타내는 특징을 추출합니다. 이어서 순전파 신경망이 이상 점수를 산출하고, 기준값을 초과하는 관측치에 표시합니다.

기준값을 수동으로 정하는 대신 맞춤형 손실 함수를 통해 신경망 매개변수로 학습합니다. 저자들은 합성 및 실제 데이터에서 기존 이상 탐지 모형과 비교해 높고 안정적인 성능을 보고합니다. 또한 탐지된 이상치를 기본적인 대체값으로 보정했을 때 Value-at-Risk 추정 오차가 감소했다고 밝힙니다. 발췌문에는 데이터셋 규모, 비교 설정 또는 시장 및 국면에 따른 결과의 일관성이 명시되어 있지 않습니다. 대체값을 사용하면 후속 위험 추정치에도 영향을 줄 수 있습니다.

핵심 아이디어

  • 주성분 분석으로 금융 시계열을 압축하고 복원해 탐지에 필요한 특징을 추출합니다.
  • 순전파 신경망이 각 시계열에 이상 점수를 부여합니다.
  • 이상치 기준값은 사람이 고정하지 않고 최적화 과정에서 학습합니다.
  • 이 접근법은 합성 데이터와 실제 데이터에서 기존 탐지 모형과 비교 평가됩니다.
  • 탐지 후 기본적인 대체값을 사용하면 Value-at-Risk 추정 오차가 줄어든다고 보고합니다.

태그

머신러닝통계리스크 관리백테스트
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.