مالیاتی ٹائم سیریز میں بے قاعدگی شناخت کے لیے PCA اور نیورل نیٹ ورکس

خلاصہ

یہ طریقہ مالیاتی ٹائم سیریز میں بے قاعدگیاں شناخت کرتا ہے جس میں مارکیٹ کے کئی خطراتی عوامل شامل ہیں؛ آلودہ مشاہدات خطرے کے ماڈلز اور ان سے حاصل پیمانوں کو بگاڑ سکتے ہیں۔ پہلے یہ ٹائم سیریز کو سکیڑنے اور دوبارہ تشکیل دینے کے لیے پرنسپل کمپوننٹ اینالیسس لاگو کرتا ہے، اور سلسلے کی نمائندگی کرنے والی خصوصیات اخذ کرتا ہے۔ پھر فیڈ فارورڈ نیورل نیٹ ورک بے قاعدگی کا اسکور بناتا ہے اور مقررہ حد سے اوپر مشاہدات کو نشان زد کیا جاتا ہے۔

یہ حد دستی طور پر مقرر کرنے کے بجائے طریقہ ایک مخصوص لاس فنکشن کے ذریعے اسے نیٹ ورک پیرامیٹر کے طور پر سیکھتا ہے۔ مصنفین اس طریقے کا معروف بے قاعدگی شناخت کنندگان سے مصنوعی اور حقیقی ڈیٹا سیٹس پر موازنہ کرکے اعلیٰ اور مستحکم کارکردگی رپورٹ کرتے ہیں۔ وہ یہ بھی پاتے ہیں کہ شناخت شدہ بے قاعدگیوں کو سادہ امپیٹیشن طریقے سے درست کرنے پر ویلیو ایٹ رسک کے تخمینے کی غلطیاں کم ہوتی ہیں۔ اقتباس ڈیٹا سیٹ کے حجم، موازنے کی ترتیبات یا مختلف منڈیوں اور نظاموں میں نتائج کی پائیداری نہیں بتاتا؛ امپیٹیشن بعد کے خطراتی تخمینوں کو بھی متاثر کر سکتی ہے۔

اہم خیالات

• پرنسپل کمپوننٹ اینالیسس مالیاتی سلسلوں کو سکیڑتا اور دوبارہ بناتا ہے تاکہ شناخت کی خصوصیات اخذ ہوں۔
• فیڈ فارورڈ نیورل نیٹ ورک ہر سلسلے کو بے قاعدگی کا اسکور دیتا ہے۔
• بے قاعدگی کی حد ہاتھ سے مقرر کرنے کے بجائے آپٹیمائزیشن کے دوران سیکھی جاتی ہے۔
• اس طریقے کا مصنوعی اور حقیقی ڈیٹا پر معروف شناخت کنندگان سے موازنہ کیا گیا ہے۔
• رپورٹ کے مطابق شناخت کے بعد سادہ امپیٹیشن سے ویلیو ایٹ رسک کے تخمینے کی غلطیاں کم ہوتی ہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔