[논문 리뷰] Anomaly Detection in Global Financial Markets with Graph Neural Networks and Nonextensive Entropy

Kleyton da Costa|arXiv (Cornell University)|2023. 08. 05.

Complex Systems and Time Series AnalysisEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 논문은 비확장성 테슬리 엔트로피를 사용하여 불확실성을 정량화함으로써 글로벌 금융 시장에 대한 그래프 신경망(GNN) 기반 이상 탐지 프레임워크를 제안한다. 주식 상관관계를 동적 그래프로 모델링하고 그래프 오토인코더를 훈련시킴으로써, 금융 위기, 위기 전, 위기 후 기간 동안 상당히 다를 수 있는 이상을 탐지할 수 있으며, 위기 기간 동안 이상 수가 가장 많고, 기간 간 탐지율에 통계적으로 유의미한 차이가 있음을 보여준다.

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.

연구 동기 및 목표

• 그래프 신경망(GNN)이 글로벌 금융 시장 네트워크 내 이상 탐지에 얼마나 효과적인지 조사하기.
• 비확장성 테슬리 엔트로피(매개변수 q로 파arameterized)가 불확실성을 어떻게 측정하고 다양한 시장 제도에서 이상 탐지에 어떤 영향을 미치는지 평가하기.
• 위기 이전, 동안, 이후의 글로벌 금융 네트워크의 구조적 변화, 특히 연결성과 중심성 측면을 분석하기.
• 통계적 가설 검정을 통해 이상 탐지 성능이 위기 단계 간에 유의미하게 다름을 확인하기.

제안 방법

• 주요 증권거래소의 주식 간 상관계수를 사용하여 글로벌 금융 시장 그래프를 구축하였으며, 간선은 상대값의 상위 1%인 유의미한 상관관계를 나타냄.
• 네트워크를 인접행렬로 표현하고, 원래 그래프를 재구성하기 위해 저차원 잠재 표현을 학습하는 그래프 오토인코더(GAE)를 적용함.
• 다양한 q-값을 가진 테슬리 엔트로피(비확장성 엔트로피)를 사용하여 시장 역학의 불확실성을 정량화하는 이상 점수로 활용함.
• GAE를 위기 이전, 위기 중, 위기 후의 세 가지 별도의 기간에 대해 훈련하여 모델 성능과 재구성 오차를 평가함.
• 기간 간 평균 이상 탐지 수를 비교하기 위해 t-검정을 적용하여 통계적 유의성 여부를 테스트함.
• 도수 분포, 군집 계수, 간선 밀도와 같은 네트워크 특성을 분석하여 위기 기간 동안의 구조적 이동을 특성화함.

실험 결과

연구 질문

• RQ1 금융 시장 위기의 다양한 단계에서 GNN 기반 이상 탐지 성능은 어떻게 변화하는가?
• RQ2 비확장성 엔트로피 매개변수 q는 위기 이전, 위기 중, 위기 후 시장 조건에서 이상 탐지에 어느 정도 영향을 미치는가?
• RQ3 간선 밀도, 군집도, 노드 중심성과 같은 네트워크 구조적 특성은 금융 위기 기간 동안 어떻게 변화하는가?
• RQ4 위기 이전, 위기 중, 위기 후 기간 간 탐지된 이상 수는 통계적으로 유의미하게 다를까?

주요 결과

• 탐지된 이상 수는 위기 기간에 가장 많았으며, 위기 이전 및 위기 후 기간과 비교해 통계적으로 유의미한 차이가 있었음(p < 0.0001, 양측 검정).
• GNN 모델은 위기 기간 외부에서 네트워크 패턴을 학습하는 데 더 어려움을 겪었으며, 이는 위기 이전 및 위기 후 기간 동안 재구성 오차가 더 높았기 때문이다.
• 위기 기간 동안 다양한 q-값에 대해 이상 수가 안정적으로 유지되었으며, 이는 고스트레스 시장 조건에서 엔트로피 매개변수 변화에 대해 이상 탐지 과정이 강건함을 시사한다.
• 위기 기간 동안 네트워크는 더 희박해졌으며, 간선 수가 33% 감소(455에서 294로)했고, 간선이 없는 노드 비율이 20%포인트 증가(39.52%에서 59.97%로)함.
• 평균 차수는 위기 기간 동안 유의미하게 증가함(6.14에서 18.38로), 이는 남아 있는 노드 간의 연결성이 높아졌음을 의미하며, 최대 차수는 168로 급격히 증가하여 높은 연결성을 가진 자산이 나타났음.
• 군집 계수는 위기 이전 0.30에서 위기 후 0.37로 증가하여, 위기 후에 더 더불어 있는, 국소화된 네트워크 구조로의 전환을 시사함.