Financial Anomaly Detection for the Canadian Market

Questo studio valuta le prestazioni di metodi di analisi topologica dei dati, PCA e reti neurali per il rilevamento di anomalie finanziarie nel mercato canadese (TSX-60), dimostrando che gli approcci basati su reti neurali e sull'analisi topologica offrono le migliori prestazioni nel identificare eventi di stress finanziario grazie alla loro capacità di cogliere le proprietà topologiche globali.

L'essenziale

Immagina il mercato azionario canadese (l'indice TSX-60) non come una lista di numeri noiosi, ma come un grande orchestra composta da 39 strumenti (le azioni delle aziende). Quando tutto va bene, gli strumenti suonano in armonia. Ma quando si avvicina una tempesta finanziaria (come una crisi economica o un crollo dei prezzi del petrolio), l'orchestra inizia a suonare stonato, a creare dissonanze o a cambiare ritmo all'improvviso.

Il compito di Luigi e Nicholas, gli autori di questo studio, era trovare il modo migliore per ascoltare queste dissonanze prima che diventino un vero e proprio disastro. Hanno testato tre diversi "ascoltatori" (metodi) per vedere chi era il più bravo a sentire il problema.

I Tre Ascoltatori (I Metodi)

1. L'Analizzatore Lineare (PCA):
   Immagina questo metodo come un fotografo che scatta una foto piatta e bidimensionale dell'orchestra. Cerca di riassumere tutto in poche righe. È veloce e semplice, ma spesso perde i dettagli più sottili. Nel mondo reale, è come guardare solo la media dei prezzi: utile, ma non ti dice come le azioni si stanno muovendo l'una rispetto all'altra in modo complesso.

   • Risultato: Ha visto le grandi tempeste, ma ha perso molte delle piccole nuvole che precedono il temporale.

2. L'Esploratore di Forme (TDA - Topological Data Analysis):
   Questo è il metodo più affascinante. Immagina che i dati non siano numeri, ma argilla. Questo metodo non guarda i singoli punti, ma la forma dell'argilla. Chiede: "C'è un buco qui? C'è un anello? La forma è cambiata da una sfera a un ciambella?".
   Nel mercato, quando le aziende iniziano a comportarsi in modo strano (anomalie), la "forma" matematica delle loro relazioni cambia. È come se l'orchestra smettesse improvvisamente di suonare una melodia e iniziasse a creare un pattern geometrico strano e inquietante.

   • Risultato: Molto bravo! Ha visto che la "forma" del mercato stava cambiando prima che il prezzo crollasse.

3. Il Genio delle Reti (Reti Neurali / GNN):
   Questo è il detective super-intelligente che ha studiato milioni di concerti. Non si limita a guardare la forma o a fare una foto; impara a riconoscere i "sintomi" di una crisi basandosi su tutto ciò che ha visto prima. È come un allenatore sportivo che, guardando i movimenti dei giocatori, sa che sta per arrivare un infortunio perché il loro modo di muoversi è leggermente diverso dal solito, anche se a occhio nudo sembra tutto normale.

   • Risultato: Il migliore in assoluto. È riuscito a vedere sia le grandi crisi (come il 2008 o il COVID) che i piccoli segnali di stress (come il crollo del prezzo del petrolio nel 2015-2016).

Cosa hanno scoperto?

Gli autori hanno applicato questi metodi ai dati del Canada dal 2005 al 2021. Ecco cosa è successo:

• Tutti hanno visto le grandi catastrofi: Tutti e tre i metodi hanno capito quando arrivavano i grandi disastri (la crisi del 2008, il debito greco, il COVID).
• Ma chi ha visto i piccoli segnali? Qui la differenza è enorme.
  • Il "Fotografo" (PCA) ha ignorato le piccole tempeste.
  • L'"Esploratore di Forme" (TDA) e il "Genio delle Reti" (Neural Network) hanno invece visto i piccoli brontolii. Hanno notato che nel 2015 e 2016, quando il prezzo del petrolio canadese crollava, l'orchestra stava già suonando in modo strano, molto prima che il mercato crollasse completamente.

La Metafora Finale: Il Termometro vs. Il Radar

Per riassumere in modo semplice:

• I metodi vecchi (come la PCA) sono come un termometro: ti dicono se hai la febbre alta (crisi grave), ma non ti avvisano se stai iniziando a stare male.
• I metodi nuovi (TDA e Reti Neurali) sono come un radar meteorologico avanzato: vedono le nuvole nere che si stanno formando all'orizzonte e ti dicono: "Attenzione, tra poco pioverà", anche se il cielo sembra ancora azzurro.

Perché è importante?

Questo studio ci dice che per proteggere i nostri risparmi o capire l'economia, non basta guardare i numeri in modo semplice. Dobbiamo guardare la struttura globale e le relazioni complesse tra le aziende.

In parole povere: La forma conta più della somma delle parti. Se l'orchestra cambia la sua "forma" matematica, anche se i singoli strumenti sembrano suonare bene, c'è qualcosa di rotto nel sistema. E i nuovi metodi (Intelligenza Artificiale e Topologia) sono i migliori per sentire questo cambiamento.

Il codice usato per fare queste scoperte è stato reso pubblico, così chiunque può provare a costruire il proprio "radar meteorologico" per il mercato canadese!

Sommario tecnico

Sintesi Tecnica: Rilevamento delle Anomalie Finanziarie per il Mercato Canadese

1. Problema e Obiettivo

Il lavoro affronta la sfida di rilevare tempestivamente eventi di stress finanziario estremo (come crolli di mercato, crisi del debito o shock petroliferi) nel mercato azionario canadese. L'obiettivo è trasformare il problema del rilevamento di crisi finanziarie in un problema di rilevamento di anomalie su grafi, analizzando i dati storici dell'indice TSX-60 (i 60 principali titoli quotati alla Borsa di Toronto) nel periodo 2005-2021.

Gli autori partono dall'ipotesi che le crisi finanziarie non siano semplici outlier unidimensionali, ma eventi caratterizzati da cambiamenti strutturali globali nelle correlazioni tra le attività. Il lavoro mira a identificare segnali di allerta precoce (fino a 50 giorni lavorativi prima dell'evento) utilizzando approcci avanzati di analisi dei dati.

2. Metodologia

La pipeline di analisi segue un processo strutturato in diverse fasi:

• Preparazione dei Dati:

  • Utilizzo dei prezzi di chiusura giornalieri aggiustati di 39 titoli dell'indice TSX-60 (filtrati per continuità di trading tra il 2005 e il 2021).
  • Calcolo dei rendimenti logaritmici ($q_t = \log(p_t/p_{t-1})$).
  • Definizione degli eventi target: 7 picchi principali dell'Indice di Stress Finanziario Canadese (CFSI), inclusi la crisi dei mutui (2007), la crisi finanziaria del 2008, la crisi del debito greco, il "taper tantrum" e gli shock petroliferi del 2015-2016, fino alla pandemia COVID-19.

• Costruzione della Rete (Grafo):

  • Applicazione di una finestra mobile di 25 giorni.
  • Calcolo delle matrici di correlazione basate sulla Mappatura Incrociata Convergente (CCM) tra le serie temporali dei rendimenti delle coppie di azioni.
  • Costruzione di un grafo pesato diretto dove la matrice di adiacenza è la matrice di correlazione (con valori negativi impostati a zero).

• Approcci di Analisi Proposti:
  Gli autori confrontano tre classi di metodi per generare feature e punteggi di anomalia:

  1. Analisi Topologica dei Dati (TDA):
     • Costruzione del complesso flag diretto (directed flag complex) dal grafo pesato.
     • Calcolo dell'omologia persistente (in dimensioni 0 e 1).
     • Estrazione di feature topologiche tramite le norme $L_1$ e $L_2$ dei diagrammi di persistenza (barcodes).
  2. Reti Neurali su Grafi (GNN):
     • One-Shot GIN(E): Implementazione di un'architettura One-Class (OCGIN) che apprende una rappresentazione centrale dei grafi; le anomalie sono misurate dalla distanza dal centro. Utilizza convoluzioni GINE (Graph Isomorphism Network with Edge attributes) per gestire i pesi degli archi.
     • GlocalKD (Knowledge Distillation): Un approccio di distillazione della conoscenza dove una rete "studente" cerca di imitare una rete "insegnante" (con parametri congelati). L'anomalia è misurata dall'errore di ricostruzione sia a livello di nodi che globale.
  3. Analisi delle Componenti Principali (PCA):
     • Vettorizzazione delle matrici di correlazione (appiattimento) e riduzione della dimensionalità tramite PCA (dimensioni 10 e 100).

• Rilevamento delle Anomalie:

  • Applicazione di algoritmi di rilevamento non supervisionato sulle feature estratte: Distanza di Mahalanobis (basata sulla distribuzione globale) e Local Outlier Factor - LOF (basata sulla densità locale).
  • Un grafo è classificato come anomalo se il suo punteggio supera il 97,5° percentile della distribuzione empirica.

3. Risultati Chiave

Gli esperimenti sono stati condotti sui dati TSX-60 e validati su un dataset secondario (DJIA - Dow Jones Industrial Average).

• Performance Comparativa:

  • I metodi basati su Reti Neurali (GNN) hanno ottenuto le prestazioni migliori. In particolare, GlocalKD (GINE) ha raggiunto un F1-score di 0.68 e One-Shot GIN(E) uno di 0.60.
  • I metodi TDA hanno mostrato prestazioni intermedie ma solide, con F1-score nell'intervallo 0.55 - 0.59.
  • I metodi basati su PCA e sulle feature grezze (RAW) hanno performato significativamente peggio (F1-score tra 0.28 e 0.45), evidenziando la limitatezza degli approcci lineari o puramente statistici per questo tipo di dati complessi.

• Precisione e Recall:

  • Tutti i metodi hanno rilevato le grandi crisi (2008, 2011, 2020).
  • Tuttavia, i metodi GNN e TDA hanno dimostrato una precisione superiore, riuscendo a catturare anche eventi di stress su scala più piccola, come gli shock petroliferi del 2015-2016, che i metodi PCA non sono riusciti a identificare con la stessa efficacia.
  • Il modello TDA ha identificato picchi specifici durante il calo dei prezzi del petrolio, mentre GlocalKD ha mostrato picchi correlati ai minimi storici dei prezzi del petrolio.

• Robustezza:

  • La replica degli esperimenti sul mercato statunitense (DJIA) ha confermato che i metodi basati su TDA e GNN superano sostanzialmente l'approccio PCA anche in un contesto di mercato diverso.

4. Contributi Principali

1. Integrazione di TDA e GNN nel contesto finanziario: Dimostrazione empirica che le proprietà topologiche globali (omologia persistente) e le rappresentazioni apprese tramite GNN sono indicatori superiori di stress finanziario rispetto alle trasformazioni lineari tradizionali.
2. Validazione su Mercati Specifici: Applicazione e validazione di questi metodi avanzati specificamente sul mercato canadese (TSX-60), un settore fortemente influenzato dalle materie prime (petrolio), dove le dinamiche di correlazione possono essere critiche.
3. Confronto Metodologico: Fornitura di un benchmark chiaro che evidenzia come l'incorporazione di informazioni strutturali globali (topologia e grafi) sia cruciale per il rilevamento di anomalie finanziarie complesse.

5. Significato e Implicazioni

Il lavoro suggerisce che le crisi finanziarie non sono semplicemente "rumore" statistico, ma riflettono cambiamenti nella struttura topologica delle interconnessioni di mercato.

• Implicazione Teorica: Le proprietà globali (relate al tipo di omotopia/isomorfismo dei grafi di correlazione) sono fondamentali per distinguere gli eventi di stress. Questo supporta l'idea che la "forma" dei dati finanziari contenga informazioni predittive che i metodi lineari perdono.
• Implicazione Pratica: L'uso di GNN e TDA può fornire agli investitori e ai regolatori strumenti più precisi per il monitoraggio del rischio sistemico, capaci di segnalare non solo i crolli maggiori, ma anche periodi di instabilità sottostante (come le crisi settoriali legate all'energia).
• Riproducibilità: Il codice è stato reso pubblico su GitHub, permettendo l'ulteriore sviluppo e validazione di questi approcci.

In conclusione, lo studio conferma che l'analisi topologica e le reti neurali su grafi rappresentano lo stato dell'arte per il rilevamento di anomalie finanziarie, offrendo una visione più profonda e robusta della stabilità del mercato rispetto alle tecniche tradizionali.