[論文レビュー] Anomaly Detection in Global Financial Markets with Graph Neural Networks and Nonextensive Entropy

Kleyton da Costa|arXiv (Cornell University)|Aug 5, 2023

Complex Systems and Time Series AnalysisEconomics, Econometrics and Finance被引用数 3

ひとこと要約

本稿では、非拡張的Tsallisエントロピーを用いて不確実性を定量化することで、グローバルな金融市場におけるグラフニューラルネットワーク（GNN）ベースの異常検出フレームワークを提案する。株価相関を動的グラフとしてモデル化し、グラフオートエンコーダーを訓練することで、危機時、危機前、危機後という各期間において顕著に異なる異常を検出する。危機期間中に異常数が最も多く、各期間における検出率に強い統計的差が認められる。

ABSTRACT

Anomaly detection is a challenging task, particularly in systems with many variables. Anomalies are outliers that statistically differ from the analyzed data and can arise from rare events, malfunctions, or system misuse. This study investigated the ability to detect anomalies in global financial markets through Graph Neural Networks (GNN) considering an uncertainty scenario measured by a nonextensive entropy. The main findings show that the complex structure of highly correlated assets decreases in a crisis, and the number of anomalies is statistically different for nonextensive entropy parameters considering before, during, and after crisis.

研究の動機と目的

• グラフニューラルネットワーク（GNN）がグローバルな金融市場ネットワーク内での異常検出にどの程度有効であるかを調査すること。
• qでパラメータ化された非拡張的Tsallisエントロピーが、不確実性をどのように測定し、異なる市場状態における異常検出にどのように影響を与えるかを評価すること。
• 危機の前後および危機中に、グローバル金融ネットワークの構造的変化（特に接続性と中心性）を分析すること。
• 統計的仮説検定を用いて、異常検出のパフォーマンスが危機の各フェーズで顕著に異なるかどうかを特定すること。

提案手法

• 主要な証券取引所からの株式間の相関係数を用いてグローバルな金融市場グラフを構築し、エッジは絶対値の上位1%に相当する有意な相関を表す。
• ネットワークを隣接行列として表現し、低次元の潜在表現を学習し、元のグラフを再構築するためのグラフオートエンコーダー（GAE）を適用する。
• 変動するq値を用いたTsallisエントロピー（非拡張的エントロピー）を異常スコアとして用い、市場ダイナミクスにおける不確実性を定量化する。
• GAEを、危機前、危機中、危機後という3つの異なる期間で訓練し、モデルのパフォーマンスと再構築誤差を評価する。
• t検定を用いて、各期間における検出された異常数の平均を比較し、統計的有意性を検証する。
• 次数分布、クラスタリング係数、エッジ密度などのネットワーク特性を分析し、危機期における構造的シフトを特徴付ける。

実験結果

リサーチクエスチョン

• RQ1 GNNベースの異常検出のパフォーマンスは、金融市場危機の異なる段階でどのように変化するか？
• RQ2 非拡張的エントロピーのパラメータqは、危機前、危機中、危機後の市場状態において、異常検出にどの程度影響を与えるか？
• RQ3 エッジ密度、クラスタリング、ノードの中心性といったネットワーク構造的特性は、金融危機期にどのように変化するか？
• RQ4 危機前、危機中、危機後の各期間における検出された異常数は、統計的に有意に異なるか？

主な発見

• 検出された異常数は危機期間で最も高く、危機前および危機後と比較して統計的に有意な差が認められた（両方の比較でp < 0.0001）。
• GNNモデルは、危機期間以外の危機前および危機後において、再構築誤差が高かったことから、非危機期間のネットワークパターンを学習するのがより困難であることが示された。
• 危機期間中は、q値の変化に関わらず異常数が安定しており、高ストレス市場状態下ではエントロピーのパラメータ変動に対して異常検出プロセスが頑健であることが示された。
• 危機期間中はネットワークがよりスパースになった。エッジ数は33%減少（455から294に）し、エッジのないノードの割合は20ポイント上昇（39.52%から59.97%に）した。
• 平均次数は危機期間中に顕著に増加した（6.14から18.38に）、これは残存ノード間の接続性が高まったことを示しており、最大次数は168に急増し、極めて高い接続性を示す資産の出現を示した。
• クラスタリング係数は危機前（0.30）から危機後（0.37）に上昇し、危機後にはより局所的・クラスタ化したネットワーク構造にシフトしたことが示された。