[论文解读] 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 3

一句话总结

本文提出了一种基于图神经网络（GNN）的异常检测框架，用于全球金融市场，利用非扩展性Tsallis熵来量化不确定性。通过将股票相关性建模为动态图并训练图自编码器，该方法检测到在危机、危机前和危机后各阶段异常表现存在显著差异，其中危机期间的异常数量最多，且各阶段检测率存在显著的统计差异。

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.

研究动机与目标

• 研究图神经网络（GNN）在检测全球金融市场网络中异常方面的有效性。
• 评估非扩展性Tsallis熵（参数为q）在不同市场状态下的不确定性度量方式及其对异常检测的影响。
• 分析在危机前、期间和之后全球金融网络的结构性变化，特别是连通性和中心性变化。
• 通过统计假设检验确定异常检测性能在不同危机阶段是否存在显著差异。

提出的方法

• 基于主要交易所股票之间的相关系数构建全球金融市场图，边表示显著相关性（绝对值最高的1%）。
• 将网络表示为邻接矩阵，并应用图自编码器（GAE）学习低维潜在表示并重建原始图。
• 使用Tsallis熵（非扩展性熵）并调整q值作为异常得分，以量化市场动态中的不确定性。
• 在三个不同时间段（危机前、危机中、危机后）训练GAE，以评估模型性能和重建误差。
• 应用t检验比较各时间段检测到的异常平均数量，检验其统计显著性。
• 分析网络属性如度分布、聚类系数和边密度，以表征危机期间的结构性变化。

实验结果

研究问题

• RQ1 GNN-based异常检测在金融市场危机的不同阶段表现如何变化？
• RQ2 非扩展性熵参数q在危机前、危机中和危机后市场条件下对异常检测的影响程度如何？
• RQ3 在金融危机期间，网络结构性属性（如边密度、聚类性和节点中心性）如何变化？
• RQ4 危机前、危机中和危机后检测到的异常数量是否存在统计学上的显著差异？

主要发现

• 危机期间检测到的异常数量最多，与危机前和危机后阶段相比具有统计显著性差异（p < 0.0001，两两比较）。
• GNN模型在危机前和危机后阶段的重建误差高于危机期间，表明在非危机时期学习网络模式更具挑战性。
• 在危机期间，异常数量在不同q值下保持稳定，表明在高压力市场条件下，异常检测过程对熵参数变化具有鲁棒性。
• 危机期间网络变得更为稀疏，边数减少了33%（从455条降至294条），无边节点比例上升了20个百分点（从39.52%增至59.97%）。
• 危机期间平均度显著增加（从6.14增至18.38），表明剩余节点之间的连通性提高；最大度跃升至168，显示出高度连通资产的出现。
• 聚类系数从危机前的0.30上升至危机后的0.37，表明危机后网络结构更趋向于簇状和局部化。