PCA và mạng nơ-ron phát hiện bất thường trong chuỗi thời gian tài chính

Tóm tắt

Phương pháp này phát hiện bất thường trong chuỗi thời gian tài chính có nhiều yếu tố rủi ro thị trường, nơi các quan sát nhiễu có thể làm sai lệch mô hình rủi ro và các thước đo do mô hình tạo ra. Trước tiên, phương pháp áp dụng phân tích thành phần chính để nén và tái tạo dữ liệu chuỗi thời gian, trích xuất các đặc trưng đại diện cho chuỗi. Sau đó, mạng nơ-ron truyền thẳng tạo điểm số bất thường và đánh dấu các quan sát vượt ngưỡng.

Thay vì đặt ngưỡng thủ công, phương pháp học ngưỡng này như một tham số mạng thông qua hàm mất mát được tùy chỉnh. Các tác giả so sánh phương pháp với những bộ phát hiện bất thường phổ biến trên dữ liệu tổng hợp và thực tế, đồng thời báo cáo hiệu quả cao và ổn định. Họ cũng nhận thấy sai số ước tính giá trị rủi ro thấp hơn khi các bất thường được phát hiện được hiệu chỉnh bằng một phương pháp điền khuyết cơ bản. Trích đoạn không nêu quy mô bộ dữ liệu, thiết lập so sánh hay mức độ duy trì kết quả giữa các thị trường và chế độ; việc điền khuyết cũng có thể ảnh hưởng đến các ước tính rủi ro về sau.

Ý chính

• Phân tích thành phần chính nén và tái tạo chuỗi tài chính để trích xuất đặc trưng phát hiện.
• Mạng nơ-ron truyền thẳng gán điểm số bất thường cho từng chuỗi.
• Ngưỡng bất thường được học trong quá trình tối ưu hóa thay vì đặt thủ công.
• Phương pháp được đánh giá so với các bộ phát hiện đã biết trên dữ liệu tổng hợp và thực tế.
• Theo báo cáo, điền khuyết cơ bản sau khi phát hiện giúp giảm sai số ước tính giá trị rủi ro.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.