PCA e Redes Neurais para Detectar Anomalias em Séries Financeiras

Resumo

Esta abordagem detecta anomalias em séries temporais financeiras que contêm vários fatores de risco de mercado, nas quais observações contaminadas podem distorcer modelos de risco e as medidas resultantes. Primeiro, aplica análise de componentes principais para comprimir e reconstruir os dados de séries temporais, extraindo atributos que representem a série. Em seguida, uma rede neural feedforward gera uma pontuação de anomalia, e observações acima de um limite são sinalizadas.

Em vez de definir esse limite manualmente, o método o aprende como parâmetro da rede por meio de uma função de perda personalizada. Os autores comparam a abordagem com detectores de anomalias consolidados em conjuntos de dados sintéticos e reais e relatam desempenho alto e estável. Também encontram erros menores na estimação de value-at-risk quando as anomalias detectadas são corrigidas com um método básico de imputação. O trecho não especifica o tamanho dos conjuntos de dados, as condições de comparação nem a estabilidade dos resultados entre mercados e regimes; a imputação também pode afetar as estimativas de risco subsequentes.

Ideias principais

• A análise de componentes principais comprime e reconstrói séries financeiras para extrair atributos de detecção.
• Uma rede neural feedforward atribui uma pontuação de anomalia a cada série.
• O limite de anomalia é aprendido durante a otimização, em vez de ser definido manualmente.
• A abordagem é avaliada em relação a detectores conhecidos com dados sintéticos e reais.
• Segundo o relato, a imputação básica após a detecção reduz os erros de estimação de value-at-risk.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.