Financial Anomaly Detection for the Canadian Market

Each language version is independently generated for its own context, not a direct translation.

De "Rookmelder" voor de Canadese Beurs

Stel je voor dat de beurs een enorme, drukke markt is waar 60 grote Canadese bedrijven (de TSX-60) hun waar verkopen. Normaal gesproken bewegen de prijzen rustig op en neer, net als de golven op een kalm meer. Maar soms, bij een economische crisis, wordt het water plotseling woelig en ontstaan er tsunami's.

De auteurs van dit paper, Luigi en Nicholas, wilden een slimme rookmelder bouwen. Deze rookmelder moet niet wachten tot het huis afbrandt (de crash), maar moet al waarschuwen als er een klein beetje rook is (een anomalie of stress in de markt).

Ze hebben drie verschillende soorten rookmelders getest om te zien welke het beste werkt:

De "Lijstjes-maker" (PCA): Een simpele methode die kijkt naar de cijfers op een rijtje.
De "Vorm-analist" (TDA): Een methode die kijkt naar de vorm en het patroon van de data, alsof je naar de contouren van een wolk kijkt.
De "Slimme AI" (Neural Networks): Een computerprogramma dat leert van de data, net als een student die veel voorbeelden bestudeert.

Hoe hebben ze het gedaan? (De Werkwijze)

Stel je voor dat je elke dag een foto maakt van hoe deze 60 bedrijven met elkaar praten. Als bedrijf A stijgt, stijgt bedrijf B dan ook? Of dalen ze allebei?

Ze hebben deze "gesprekken" (correlaties) in een netwerk omgezet.
In plaats van alleen naar de prijs te kijken, hebben ze gekeken naar de structuur van dit netwerk.

Vervolgens hebben ze de drie methoden laten proberen om te zeggen: "Hé, vandaag is dit netwerk raar! Er is iets aan de hand!"

De Drie Kampioenen in Beeld

Hier is hoe de drie methoden zich gedroegen, vertaald naar alledaagse analogieën:

1. PCA: De simpele thermometer

Deze methode (Principal Component Analysis) is als een simpele thermometer. Hij kijkt naar de gemiddelde temperatuur.

Hoe het werkt: Hij pakt alle cijfers, plakt ze aan elkaar en probeert ze te versimpelen.
Het resultaat: Hij ziet de grote branden (zoals de crisis van 2008 of COVID-19), maar hij mist de kleine vonkjes. Hij is te simpel voor de complexe, kromme lijnen van de beurs. Hij schreeuwt niet genoeg als er iets subtiels misgaat.

2. TDA: De vorm-analist

Topological Data Analysis (TDA) is als een kunstenaar die naar de vorm van een wolk kijkt.

Hoe het werkt: In plaats van alleen naar de hoogte van de cijfers te kijken, kijkt deze methode naar de "gaten" en "lussen" in het netwerk. Is er een gat in de structuur ontstaan? Is de vorm van het netwerk veranderd?
Het resultaat: Deze methode is verrassend goed! Hij zag dat de "vorm" van de markt veranderde voordat de crash gebeurde. Het bewijst dat de globale structuur van de markt belangrijk is. Het is alsof je merkt dat de windrichting verandert voordat de storm begint.

3. Neural Networks (AI): De slimme student

Dit zijn de "GlocalKD" en "One-Shot GIN" methoden. Dit zijn slimme computers die leren wat "normaal" is en dan alarm slaan als iets afwijkt.

Hoe het werkt: Ze hebben duizenden voorbeelden van normale markten geleerd. Als ze iets zien dat niet past in dat patroon (bijvoorbeeld een vreemde verbinding tussen twee bedrijven), geven ze een score af.
Het resultaat: Dit waren de winnaars. Ze waren het snelst en het meest nauwkeurig. Ze konden niet alleen de grote crashes zien, maar ook kleine stressmomenten, zoals de daling van de olieprijzen in 2015 en 2016. Ze waren als een ervaren brandweerman die de rook ruikt voordat je de vlammen ziet.

Wat hebben ze ontdekt?

De onderzoekers keken naar de Canadese markt tussen 2005 en 2021. Ze zochten naar bekende momenten van paniek:

De hypotheekcrisis (2007)
De grote financiële crisis (2008)
De schuldencrisis van Griekenland (2011)
De olieprijzen die instortten (2015-2016)
De Coronacrisis (2020)

De conclusie:

De simpele lijsten (PCA) waren oké voor de allerergste crises, maar misten veel kleinere problemen.
De vorm-analist (TDA) en de slimme AI (Neural Networks) waren veel beter. Ze vonden bijna alle crises én ze waren veel preciezer. Ze hadden minder "valse alarmen".

De Grote Les

Het belangrijkste wat dit paper ons leert, is dat je niet alleen naar losse cijfers moet kijken. Je moet kijken naar het geheel.
Stel je voor dat je een orkest hoort.

De simpele methode luistert alleen naar de volume van één instrument.
De slimme methoden (TDA en AI) luisteren naar hoe alle instrumenten samen klinken. Als de viool en de trompet ineens een vreemd ritme spelen dat niet past bij de rest van het orkest, weten ze dat er iets mis is, zelfs als het volume nog normaal is.

Kortom: Om de beurs te begrijpen en crashes te voorspellen, moet je kijken naar de vorm en structuur van de markt, en niet alleen naar de getallen. En de slimste computers (Neural Networks) en de vorm-analisten (TDA) zijn de beste detectives hiervoor.

Each language version is independently generated for its own context, not a direct translation.

Titel: Financiële Anomalie-detectie voor de Canadese Markt

Auteurs: Luigi Caputi en Nicholas Meadows
Datum: Maart 2026

1. Probleemstelling

De paper richt zich op het theoretisch begrijpen en voorspellen van financiële crashes en extreme marktevents. Hoewel crashes vaak worden beschreven als extreme gebeurtenissen, veranderingen in tijdreeksen of uitschieters, focust dit werk specifiek op de uitschieter-perspectief (outlier detection).

Het doel is het identificeren van vroege waarschuwingssignalen voor financiële stress in de Canadese economie, met name gericht op de TSX-60 (de 60 grootste beursgenoteerde bedrijven in Canada). De auteurs willen bepalen welke methoden het meest effectief zijn in het detecteren van zowel grote crises (zoals de crisis van 2008 en COVID-19) als kleinere, maar significante stressperiodes (zoals olieprijsschokken).

2. Methodologie

De auteurs hanteren een gestructureerde pipeline die drie hoofdbenaderingen vergelijkt: Topological Data Analysis (TDA), Principal Component Analysis (PCA) en Graph Neural Networks (GNN).

A. Data Voorbereiding en Netwerkvorming

Data: Dagelijkse aangepaste sluitingsprijzen van 39 aandelen uit de TSX-60 (periode 2005-2021).
Logaritmische rendementen: Berekening van $q^i_t = \log(p^i_t / p^i_{t-1})$ .
Netwerkvorming:
- Er wordt een schuifvenster van $W=25$ dagen gebruikt.
- Voor elk venster wordt een correlatiematrix berekend op basis van Convergent Cross Mapping (CCM) tussen de tijdreeksen van de aandelen.
- Negatieve correlaties worden op 0 gezet om een gewogen gerichte graaf te construeren waarbij de adjacency-matrix de correlatiematrix is.

B. De Drie Analysemethoden

Topological Data Analysis (TDA):
- Voor elke graaf wordt een gerichte vlagcomplex (directed flag complex) geconstrueerd.
- Er wordt persistent homologie berekend (voornamelijk in dimensies 0 en 1).
- De resultaten worden gekwantificeerd via de L1- en L2-normen van de persistentie-diagrammen (barcodes).
Principal Component Analysis (PCA):
- De correlatiematrixen worden "geflattened" tot vectoren.
- PCA wordt toegepast voor dimensiereductie (geanalyseerd met dimensies 10 en 100, en ook ruwe data).
Graph Neural Networks (GNN):
- Twee specifieke architecturen worden gebruikt voor onbewaakte anomaly detection:
  - One-Shot GIN(E): Een One-Class Learning benadering waarbij een GINE-netwerk (Graph Isomorphism Network met Edge attributes) traint om een centrale representatie te leren. Afwijkingen worden gemeten via reconstructiefouten.
  - GlocalKD (Knowledge Distillation): Een student-netwerk (GINE) traint om een gefrieste "teacher"-netwerk na te bootsen. Anomalieën worden geïdentificeerd door grote reconstructiefouten (zowel op node- als graph-niveau).

C. Anomalie-detectie en Scoring

De verkregen features (van TDA, PCA of GNN) worden geanalyseerd met twee onbewaakte algoritmen:
- Mahalanobis Distance: Meet de afstand tot het globale gemiddelde, rekening houdend met correlaties.
- Local Outlier Factor (LOF): Meet de dichtheid van een punt ten opzichte van zijn buren.
Classificatie: Een graaf wordt als "anomalie" (en dus potentieel financieel stresssignaal) geclassificeerd als de score boven de 97,5e percentiel ligt.
Validatie: Een financieel stressevent wordt als succesvol gedetecteerd beschouwd als er binnen een venster van 50 werkdagen voor het event een anomalie wordt gevonden.

3. Belangrijkste Bijdragen

Toepassing op Canadese Markt: Eerste uitgebreide studie die TDA en geavanceerde GNN-methoden toepast op de TSX-60, met specifieke aandacht voor Canadese economische factoren (zoals olieprijzen en de hypotheekmarkt).
Vergelijking van Methodologieën: Een systematische vergelijking tussen lineaire methoden (PCA), topologische methoden (TDA) en niet-lineaire diepe leermethodes (GNN) voor financieel risico.
Bewijs van Global Properties: De studie onderstreept dat globale structurele eigenschappen van de markt (vastgelegd door TDA en GNN) cruciaal zijn voor het onderscheiden van stressperiodes, in tegenstelling tot lokaal of lineair getransformeerde data.
Open Source: De code is beschikbaar gesteld op GitHub, inclusief implementaties van GINE en TDA-pipelines.

4. Resultaten

De prestaties werden gemeten aan de hand van Precision, Recall en F1-score.

Beste Performers:
- GlocalKD (GINE) behaalde de hoogste F1-score (0,68) met een hoge precisie (0,86).
- One-Shot GIN(E) volgde met een F1-score van 0,60.
- Deze methoden slaagden erin om niet alleen grote crises (2008, COVID-19) te detecteren, maar ook kleinere stressperiodes, zoals de olieprijsschokken van 2015-2016.
TDA Prestaties:
- TDA-methoden (LOF/Mahalanobis op persistentie-normen) presteerden goed met F1-scores tussen 0,55 en 0,59.
- Ze toonden aan dat topologische eigenschappen waardevol zijn, maar iets minder scherp waren dan de GNN-methoden.
PCA Prestaties:
- Methoden gebaseerd op ruwe data of PCA presteerden aanzienlijk slechter (F1-scores tussen 0,28 en 0,45).
- Ze misten vaak de kleinere, lokale stressperiodes en hadden een lagere recall.
Validatie op DJIA:
- De experimenten werden gerepliceerd voor de Dow Jones Industrial Average (DJIA). De resultaten bevestigden de bevindingen: GNN en TDA overtroffen PCA significant (F1-scores tot 0,85 voor GlocalKD op DJIA).

5. Betekenis en Conclusie

De studie concludeert dat neuronale netwerken gebaseerd op grafen en Topological Data Analysis superieur zijn aan traditionele lineaire methoden (zoals PCA) voor het detecteren van financiële anomalieën.

Inzicht in Marktstructuur: De superioriteit van TDA suggereert dat de "vorm" (topologie) van de correlatiestructuur tussen aandelen verandert tijdens stressperiodes op een manier die lineaire methoden niet kunnen vangen.
Global vs. Local: De resultaten benadrukken het belang van globale eigenschappen (zoals homotopie en isomorfisme) in het modelleren van financiële systemen.
Praktische Toepassing: De methode biedt een robuust raamwerk voor het opzetten van vroege waarschuwingssystemen voor beleggers en beleidsmakers, met name in markten die gevoelig zijn voor specifieke sectoren (zoals de Canadese olie-industrie).

Kortom, het integreren van topologische inzichten en graph deep learning biedt een krachtigere lens om complexe, niet-lineaire dynamieken in financiële markten te analyseren dan conventionele statistische benaderingen.