PCA и нейросети для выявления аномалий в финансовых временных рядах

Сводка

Этот подход выявляет аномалии в финансовых временных рядах с несколькими рыночными факторами риска, где искажённые наблюдения могут влиять на модели риска и полученные с их помощью показатели. Сначала анализ главных компонент сжимает временные ряды и восстанавливает их, извлекая признаки, представляющие ряд. Затем нейросеть прямого распространения вычисляет оценку аномальности, и наблюдения выше порогового значения помечаются как аномальные.

Вместо ручной установки порога метод обучает его как параметр сети с помощью специальной функции потерь. Авторы сравнивают подход с известными методами выявления аномалий на синтетических и реальных данных и сообщают о высоких и стабильных результатах. Также обнаружено, что после коррекции выявленных аномалий простым методом импутации ошибки оценки Value-at-Risk снижаются. В отрывке не указаны размеры наборов данных, параметры сравнения или устойчивость результатов на разных рынках и в разных режимах; импутация также может повлиять на последующие оценки риска.

Ключевые идеи

• Анализ главных компонент сжимает и восстанавливает финансовые ряды, извлекая признаки для выявления аномалий.
• Нейросеть прямого распространения присваивает каждому ряду оценку аномальности.
• Порог выявления аномалий обучается в процессе оптимизации, а не задаётся вручную.
• Подход оценивается в сравнении с известными методами на синтетических и реальных данных.
• Сообщается, что простая импутация после выявления аномалий снижает ошибки оценки Value-at-Risk.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.