Financial Anomaly Detection for the Canadian Market

Diese Arbeit bewertet die Leistung von topologischen Datenanalysen, Hauptkomponentenanalyse und neuronalen Netzen zur Erkennung finanzieller Anomalien am kanadischen TSX-60-Markt und zeigt, dass neuronale Netze sowie topologische Methoden die besten Ergebnisse erzielen, wobei die Wirksamkeit der topologischen Analyse auf die Bedeutung globaler topologischer Eigenschaften für die Unterscheidung von Finanzstress hinweist.

Das Wesentliche

🇨🇦 Finanz-Wettervorhersage: Wie man den nächsten Sturm in Kanada vorhersagt

Stellen Sie sich den kanadischen Aktienmarkt (den TSX-60) wie einen riesigen, lebendigen Organismus vor. Er besteht aus 60 großen Unternehmen, die alle miteinander verbunden sind – wie ein riesiges Spinnennetz oder ein Schwarm Vögel, der sich gemeinsam bewegt. Normalerweise fliegen sie ruhig und geordnet. Aber manchmal, kurz bevor ein großer finanzieller Sturm (eine Krise) losbricht, fangen sie an, sich seltsam zu verhalten: Sie fliegen chaotisch, drehen sich unregelmäßig oder bilden bizarre Muster.

Die Autoren dieser Studie, Luigi und Nicholas, wollten herausfinden: Können wir diese seltsamen Muster erkennen, bevor der Sturm wirklich losgeht?

Sie haben drei verschiedene „Detektive" (Methoden) getestet, um diese Warnsignale zu finden:

1. Der lineare Denker (PCA)

Stellen Sie sich PCA (Hauptkomponentenanalyse) wie einen sturen Mathematiklehrer vor. Er versucht, das komplexe Verhalten des Marktes in einfache, gerade Linien zu zerlegen. Er sagt: „Wenn die Preise von Unternehmen A und B steigen, dann ist das eine gerade Linie."

• Das Problem: Finanzkrisen sind selten gerade Linien. Sie sind chaotisch und komplex. Der Lehrer sieht die feinen, verrückten Krümmungen im Netz nicht. In der Studie hat dieser „Lehrer" oft nur die ganz großen Katastrophen gesehen, aber kleinere Warnsignale (wie den Ölpreis-Einbruch 2015) übersehen.

2. Der Form-Detektiv (TDA – Topologische Datenanalyse)

Dieser Detektiv ist wie ein Künstler oder ein Architekt, der nicht auf Zahlen schaut, sondern auf die Form des Ganzen. Er fragt sich: „Wie sieht das Spinnennetz aus? Hat es Löcher? Ist es in sich selbst verknüpft?"

• Die Analogie: Wenn ein Schwarm Vögel plötzlich eine bizarre, geschlossene Form bildet, die sie vorher nie hatten, weiß der Künstler: „Achtung, hier stimmt etwas nicht!"
• Das Ergebnis: Dieser Ansatz war sehr gut. Er konnte erkennen, dass sich die „Form" des Marktes kurz vor Krisen verändert hat, selbst wenn die einzelnen Zahlen noch normal aussahen.

3. Der KI-Lernende (Neuronale Netze)

Dies ist wie ein super-intelligenter Schüler, der Tausende von Beispielen aus der Vergangenheit gelernt hat. Er schaut sich das Spinnennetz an und sagt: „Ich habe dieses Muster schon einmal gesehen, kurz bevor die 2008er-Krise kam. Das sieht verdächtig aus!"

• Die Methode: Zwei spezielle KI-Modelle (GlocalKD und One-Shot GIN) wurden trainiert, um das „normale" Verhalten des Marktes zu verstehen. Wenn das Netzwerk etwas sieht, das stark von der Norm abweicht, schlägt es Alarm.
• Das Ergebnis: Diese KI-Modelle waren die besten Detektive. Sie waren nicht nur schnell, sondern auch sehr präzise. Sie haben nicht nur die großen Katastrophen gesehen, sondern auch kleine „Zuckungen" des Marktes, die andere Methoden ignoriert haben.

🏆 Das Ergebnis: Wer hat gewonnen?

Die Studie verglich diese Detektive an echten Daten von 2005 bis 2021 (einschließlich der Finanzkrise 2008, der Ölkrise und der Corona-Pandemie).

• Der Verlierer: Der „sture Mathematiklehrer" (PCA) und einfache Methoden. Sie waren oft zu langsam oder zu starr.
• Die Gewinner: Die KI-Modelle und der Form-Detektiv (TDA).
  • Sie haben fast alle großen Krisen vorhergesagt.
  • Noch wichtiger: Sie haben auch die kleineren, aber schmerzhaften Ereignisse erkannt (wie den Absturz der Ölpreise in Kanada 2015/2016), die für die kanadische Wirtschaft besonders wichtig waren.

💡 Die große Erkenntnis

Die wichtigste Botschaft der Studie ist: Der Markt ist mehr als nur die Summe seiner Teile.

Wenn man nur die einzelnen Aktienpreise betrachtet (wie der Mathematiklehrer), verpasst man das große Bild. Aber wenn man die globale Struktur betrachtet – also wie alles miteinander vernetzt ist und welche „Form" dieses Netzwerk annimmt – kann man die Stürme viel früher sehen.

Es ist, als würde man nicht nur auf die einzelnen Wellen am Strand schauen, sondern auf die Form der gesamten Gezeitenbewegung, um zu wissen, wann der Sturm kommt.

Zusammenfassend: Um Finanzkrisen in Kanada (und anderswo) zu verstehen, müssen wir aufhören, nur auf gerade Linien zu schauen, und anfangen, die komplexe „Form" und die Intelligenz hinter dem Chaos zu nutzen.

Technische Zusammenfassung

Technische Zusammenfassung: Finanzanomalieerkennung für den kanadischen Markt

Titel: Financial Anomaly Detection for the Canadian Market
Autoren: Luigi Caputi und Nicholas Meadows
Datum: März 2026

---

1. Problemstellung

Das Ziel der Arbeit ist die theoretische und praktische Vorhersage von Finanzkrisen und extremen Marktstress-Events im kanadischen Aktienmarkt. Finanzkrisen (wie der Crash von 2008 oder die COVID-19-Pandemie) stellen ein erhebliches Risiko für Investoren dar. Der Fokus liegt auf der Identifizierung dieser Ereignisse als Anomalien in Finanzzeitreihen.

Die Studie untersucht, ob Methoden, die globale strukturelle Informationen nutzen, besser geeignet sind, um diese Anomalien zu erkennen, als traditionelle Ansätze, die auf rohen oder linear transformierten Daten basieren. Als Referenzdaten dienen die Aktien des TSX-60-Index (Toronto Stock Exchange) im Zeitraum von 2005 bis 2021.

2. Methodik

Der Forschungsansatz folgt einem mehrstufigen Pipeline-Prozess, der Finanzdaten in Graphen umwandelt und diese mittels dreier verschiedener Klassen von Algorithmen analysiert:

A. Datenvorverarbeitung und Graph-Konstruktion

• Datenbasis: Tägliche bereinigte Schlusskurse von 39 Aktien des TSX-60 (2005–2021).
• Log-Renditen: Berechnung der logarithmischen Renditen ($q_t = \log(p_t/p_{t-1})$).
• Graph-Erstellung: Anstatt einfacher Korrelationen wird ein sliding window (Fenstergröße $W=25$ Tage) verwendet. Innerhalb dieses Fensters werden die Zeitreihen der Log-Renditen paarweise analysiert.
• CCM (Convergent Cross Mapping): Zur Erfassung nichtlinearer Kausalitäten werden CCM-Korrelationen berechnet.
• Adjazenzmatrix: Die resultierende Korrelationsmatrix wird thresholded (negative Werte auf 0 gesetzt) und dient als gewichtete Adjazenzmatrix für einen gerichteten Graphen.

B. Drei Analyseklassen

1. Topological Data Analysis (TDA):
   • Berechnung des gerichteten Flag-Komplexes (Directed Flag Complex) aus dem gewichteten Graphen.
   • Anwendung von Persistenter Homologie (Dimensionen 0 und 1).
   • Extraktion von Merkmalen durch die $L_1$- und $L_2$-Normen der resultierenden Persistenzdiagramme (Barcodes).
2. Principal Component Analysis (PCA):
   • Vektorisierung der Korrelationsmatrizen (Flattening).
   • Dimensionsreduktion mittels PCA (Testvarianten: Rohdaten, 10 und 100 Hauptkomponenten).
3. Graph Neural Networks (GNN):
   • One-Shot GIN(E): Ein One-Class-Learning-Ansatz (basierend auf OCGIN), der Graphen in einen Vektorraum abbildet, um Abweichungen vom Zentrum zu messen. Hier wird die GINE-Convolution (Graph Isomorphism Network with Edge attributes) verwendet, um Kantengewichte zu berücksichtigen.
   • GlocalKD (GINE): Ein Knowledge-Distillation-Ansatz. Ein "Student"-Netzwerk lernt, ein vortrainiertes "Teacher"-Netzwerk nachzuahmen. Anomalien werden durch hohe Rekonstruktionsfehler (Loss) sowohl auf Knoten- als auch auf Graphenebene erkannt.

C. Anomalieerkennung und Scoring

• Die extrahierten Merkmale (TDA-Normen, PCA-Vektoren, GNN-Rekonstruktionsfehler) werden mit unüberwachten Algorithmen bewertet: Mahalanobis-Abstand (für globale Ausreißer) und Local Outlier Factor (LOF) (für lokale Dichte-Anomalien).
• Ein Graph gilt als anomal, wenn der Score den 97,5. Perzentil der empirischen Verteilung überschreitet.
• Ein Finanzstress-Event wird vorhergesagt, wenn innerhalb eines 50-Tage-Fensters vor dem Ereignis ein anomaler Graph detektiert wird.

3. Wichtige Beiträge

• Anwendung von TDA auf den kanadischen Markt: Erste systematische Anwendung von TDA-Methoden (basierend auf [Gid17]) speziell auf den TSX-60, um zu zeigen, dass topologische Eigenschaften (Homotopie/Isomorphie-Typ) signifikante Marker für Finanzstress sind.
• Vergleichende Evaluation: Eine umfassende Gegenüberstellung von TDA, PCA und modernen GNN-Architekturen (GlocalKD, One-Shot GIN) unter Verwendung derselben Datengrundlage.
• Nachweis der Bedeutung globaler Struktur: Die Studie liefert empirische Belege dafür, dass Methoden, die globale Graphenstrukturen erfassen (TDA, GNN), linearen Methoden (PCA) überlegen sind.
• Open Source: Bereitstellung des vollständigen Codes auf GitHub für Reproduzierbarkeit.

4. Ergebnisse

Die Leistung wurde anhand von Precision, Recall und F1-Score bewertet, da es sich um ein unausgewogenes Klassifikationsproblem handelt.

• Beste Performanz (GNN): Die neuralen Netzwerk-basierten Methoden erzielten die höchsten Werte.
  • GlocalKD (GINE): F1-Score von 0,68 (Recall: 0,56, Precision: 0,86).
  • One-Shot GIN(E): F1-Score von 0,60.
• Mittlere Performanz (TDA): TDA-Methoden zeigten solide Ergebnisse im Bereich von 0,55 – 0,59 F1-Score. Sie waren in der Lage, sowohl große Krisen als auch kleinere Stressphasen (z. B. Ölpreisschocks 2015/2016) zu erkennen.
• Schlechteste Performanz (PCA/Rohdaten): Methoden, die auf PCA oder Rohdaten basierten, schnitten deutlich schlechter ab (F1-Scores zwischen 0,28 und 0,45). Sie verpassten oft kleinere, aber signifikante Marktstress-Ereignisse.
• Robustheit: Die Ergebnisse wurden am Dow Jones Industrial Average (DJIA) repliziert, wo GNN und TDA erneut deutlich besser abschnitten als PCA (GlocalKD erreichte hier sogar einen F1-Score von 0,85).

Spezifische Beobachtungen:

• Alle Methoden erkannten die großen Krisen (2009, Griechenland, COVID-19).
• Nur GNN und TDA erkannten kleinere, aber wichtige Ereignisse wie den Ölpreisverfall in Kanada (2015–2016) mit hoher Präzision.
• Die hohe Precision der GNN- und TDA-Methoden deutet darauf hin, dass sie weniger falsch-positive Signale liefern als PCA-basierte Ansätze.

5. Bedeutung und Fazit

Die Studie unterstreicht die Bedeutung globaler topologischer und struktureller Informationen in Finanzdaten.

• Theoretische Implikation: Finanzkrisen manifestieren sich nicht nur in linearen Korrelationsänderungen, sondern in fundamentalen Änderungen der "Form" (Topologie) des Marktnetzwerks. TDA und GNN sind besser geeignet, diese nichtlinearen, globalen Muster zu erfassen.
• Praktische Relevanz: Für Investoren und Regulierungsbehörden bieten GNN- und TDA-basierte Frühwarnsysteme eine höhere Zuverlässigkeit bei der Identifizierung von Marktstress, insbesondere bei kleineren, aber systemrelevanten Schocks, die von traditionellen linearen Modellen übersehen werden.
• Methodische Empfehlung: Die Kombination aus Graph-basierter Vorverarbeitung (CCM-Korrelationen) und modernen GNN-Architekturen (insbesondere mit Knowledge Distillation oder One-Shot Learning) stellt den aktuellen State-of-the-Art für die Anomalieerkennung in Finanzzeitreihen dar.