[論文レビュー] Applications of Signature Methods to Market Anomaly Detection

Erdinç Akyıldırım, Matteo Gambara+2 more|arXiv (Cornell University)|Jan 7, 2022

Anomaly Detection Techniques and Applications被引用数 10

ひとこと要約

本稿では、正確なおよびランダム化されたシグネチャを特徴抽出器として用いる、署名に基づく機械学習的手法を提案し、金融時系列における教師なし異常検出を実現する。価格、取引量、タイムスタンプのデータのみを用いて、暗号資産のポンプアンドダム市場操作を検出する際、F₁スコアが最大88％に達することを示し、複雑な市場異常はラベルなし、かつ操作パターンの事前知識なしに同定可能であることを示している。

ABSTRACT

Anomaly detection is the process of identifying abnormal instances or events in data sets which deviate from the norm significantly. In this study, we propose a signatures based machine learning algorithm to detect rare or unexpected items in a given data set of time series type. We present applications of signature or randomized signature as feature extractors for anomaly detection algorithms; additionally we provide an easy, representation theoretic justification for the construction of randomized signatures. Our first application is based on synthetic data and aims at distinguishing between real and fake trajectories of stock prices, which are indistinguishable by visual inspection. We also show a real life application by using transaction data from the cryptocurrency market. In this case, we are able to identify pump and dump attempts organized on social networks with F1 scores up to 88% by means of our unsupervised learning algorithm, thus achieving results that are close to the state-of-the-art in the field based on supervised learning.

研究の動機と目的

• 署名理論を用いた、金融時系列における堅牢で教師なしの異常検出フレームワークの構築を目的とする。
• シグネチャがポンプアンドダム市場操作のようなレアな市場イベントを検出するための意味のある特徴を抽出できるかどうかを評価することを目的とする。
• 不均衡なデータ条件下での異常検出において、正確なシグネチャとランダム化シグネチャの性能を比較することを目的とする。
• 公開されている価格および取引量データのみが、複雑な市場操作を検出するのに十分な情報を含んでいることを示すこと。
• ランダム化シグネチャを特徴工学のツールとして用いる理論的根拠を、表現論的視点から提示すること。

提案手法

• 本稿では、粗いパス理論に由来するシグネチャ変換を用い、時系列パスを非線形ダイナミクスを捉える多項式特徴に符号化する。
• 特徴空間の表現力向上を目的として、正確な切り捨てシグネチャとランダム化シグネチャの両方を入力表現として適用する。
• ランダム化シグネチャは、パスのランダム射影により構築され、表現論による理論的裏付けを備えた、完全なシグネチャの計算効率の良い近似を提供する。
• シグネチャ特徴は、標準的な教師なし異常検出アルゴリズム（隔離木と最小共分散決定法（MCD））に供給される。
• 本手法は、合成株価トレースと実際の暗号資産取引データを用いて評価され、F₁、適合率、再現率を指標に性能を測定する。
• 研究では、市場マイクロ構造におけるリアルタイム異常検出を模擬するため、3、6、14期間の検出ウィンドウを用いる。

実験結果

リサーチクエスチョン

• RQ1 生の価格および取引量特徴と比較して、署名に基づく特徴抽出は金融時系列における教師なし異常検出を改善できるか？
• RQ2 不均衡データ条件下で、ランダム化シグネチャは正確な切り捨てシグネチャと比較して、市場異常検出にどの程度優れているか？
• RQ3 教師なしモデルが、公開取引データのみを用いてポンプアンドダム市場操作をどの程度検出できるか？
• RQ4 構造の事前知識なしに、署名手法が複雑な操作パターンを検出するのに十分な情報を保持しているか？
• RQ5 ランダム化シグネチャの表現論的性質は、その安定的かつ効果的な特徴抽出器としての使用を正当化できるか？

主な発見

• 提案手法は、価格、取引量、タイムスタンプデータのみを用いて、暗号資産市場におけるポンプアンドダム市場操作を88％のF₁スコアで検出し、最先端の教師あり手法と同等の性能を示した。
• ランダム化シグネチャは正確な切り捨てシグネチャと同等の性能を発揮し、3期間ウィンドウではF₁スコア86％、6期間ウィンドウでは82％を達成した。これにより、スケーラブルな代替手段としての有効性が確認された。
• シグネチャの使用により、単に価格および取引量のピークに依存するベースラインモデルと比較して、異常検出性能が顕著に向上した。これは、シグネチャがより豊かな時間的ダイナミクスを捉えていることを示している。
• 結果から、市場操作を検出するにあたって必要なすべての情報が、履歴時系列データにすでに符号化されていることが示唆され、暗号資産市場の効率性を支持する。
• 正確なシグネチャとランダム化シグネチャの間のわずかな性能差は、理論的枠組みがランダム化シグネチャを堅牢な近似として妥当に保証していることを、経験的に裏付けた。
• 隔離木とMCDベースのモデルの両方が、シグネチャ特徴の恩恵を受け、特に隔離木が全検出ウィンドウにわたり平均して高いF₁スコアを示した。