基于主成分分析与神经网络的金融时间序列异常检测
统计金融
2022-10-26 v2 统计理论
统计方法学
统计理论
摘要
在处理涉及广泛市场风险因素的金融时间序列时，一个主要关切是异常的存在。这些异常导致用于量化与管理风险的模型误校准，从而产生潜在错误的风险度量。我们提出一种旨在改进金融时间序列异常检测、克服大多数固有困难的方法。通过主成分分析压缩与重构数据，从时间序列中提取有价值特征。然后我们使用前馈神经网络定义异常分数。当时间序列的异常分数超过给定截断值时，视为受污染。该截断值并非手动设定参数，而是在最小化定制损失函数的过程中作为神经网络参数进行校准。所提方法与若干知名异常检测算法相比的效率，在合成与真实数据集上均得到数值证明，PCA NN方法取得了高水平且稳定的性能。我们表明，当所提异常检测模型与基本插补方法联用以修正异常时，风险价值估计误差得以降低。
引用
@article{arxiv.2209.11686,
title = {Anomaly Detection on Financial Time Series by Principal Component Analysis and Neural Networks},
author = {Stéphane Crépey and Lehdili Noureddine and Nisrine Madhar and Maud Thomas},
journal= {arXiv preprint arXiv:2209.11686},
year = {2022}
}