Extreme Volatility Warning under Label Scarcity via Multi-Source Anomaly Fusion

Technische Samenvatting: Waarschuwing voor Extreme Volatiliteit via Multi-Source Anomaly Fusion

Probleemstelling
Het artikel behandelt de uitdaging van vroege waarschuwing voor extreme marktvolatiliteit op de Chinese kapitaalmarkt (specifiek de CSI 300-index), gekenmerkt door een ernstig tekort aan labels. In de bestudeerde dataset (2018–2023) zijn er slechts ongeveer 80 positieve monsters (events van extreme volatiliteit) over 791 trainingsdagen. De taak bestaat uit het voorspellen of er binnen een horizon van 3 dagen ($[t+1, t+3]$) een event van extreme volatiliteit zal plaatsvinden, met behulp van een combinatie van marktkenmerken en heterogene exogene signalen: GDELT geopolitieke gebeurtenissen, Chinese financiële nieuwsberichten en Engelse mediaverslaggeving. De kernmoeilijkheid ligt in het "rare-event" regime, waarbij standaard supervised learning-benaderingen moeite hebben door de extreme mismatch tussen de modelcomplexiteit en het aantal positieve labels.

Methodologie
De auteurs stellen AAMSF (Anomaly-Augmented Multi-Signal Fusion) voor, een semi-supervised framework ontworend om leerbare parameters te minimaliseren, samen met de temporele extensie ervan, T-AAMSF.

1. Falen van Supervised Modellen: De auteurs analyseren eerst een 100K-parameter hiërarchisch tekst-signaal fusiemodel (HTSF). Ze demonstreren dat het verhogen van de architecturale complexiteit (bijv. het toevoegen van bron-specifieke LSTMs en cross-source attention) de prestaties verslechtert onder ernstige label-schaarste. De parameter-naar-positief ratio van diepe modellen (ongeveer 1250:1) leidt tot overfitting, waarbij extra parameters ruis in plaats van signalen vastleggen.
2. AAMSF Architectuur:
   • Fase 1 (Unsupervised Anomaly Detection): In plaats van representaties te leren, past het model Isolation Forest (IF) ensembles onafhankelijk toe op elke gegevensbron (Markt, GDELT, Chinees Nieuws, Engels Nieuws). Scores worden gegenereerd met behulp van 10-seed ensembles met 200 bomen.
   • Fase 2 (Lichtgewicht Supervised Component): Een Ridge regressor met slechts 16 parameters wordt getraind op marktkenmerken om het continue 3-daagse absolute rendement ($rv3$) te voorspellen. Dit maakt gebruik van alle 791 dagen voor training, niet alleen de 80 positieve dagen.
   • Fase 3 (Score Fusion): De uiteindelijke score is een lineaire combinatie met vaste gewichten: $0,85 \times \text{genormaliseerd}(\text{IF}_{\text{gecombineerd}}) + 0,15 \times \text{genormaliseerd}(\text{Ridge})$. De IF-scores worden gecombineerd met behulp van vaste gelijke gewichten ($1/N$).
   • Preprocessing: Tekstkenmerken ondergaan "IF-aware" transformaties (rolling z-scores, rate-of-change) om absolute waarden om te zetten in afwijkingen van recente baselines, waardoor ze geometrisch geschikt worden voor anomaliedetectie.
3. T-AAMSF (Temporele Extensie): Deze variant wijzigt Fase 1 door IF-scores te aggregeren over een multi-day window ($L$ dagen) met behulp van exponentiële decay-gewichten ($w=[0,6, 0,3, 0,1]$). Dit vangt de signaalopbouw op die typerend is voor extreme volatiliteitsevenementen, die vaak in de 2 tot 3 dagen voorafgaand aan het event intensiveren.

Belangrijkste Bevindingen en Resultaten

• Prestaties: Op de uitgespaarde testset (2022–2023) bereikt AAMSF-Opt (gebruikmakend van de gecureerde 3-bron set: Markt + GDELT + Chinees Nieuws) een test AUC-ROC van 0,680. Dit presteert beter dan de sterkste unsupervised baseline (Isolation Forest: 0,630) en de beste neurale baseline (Vereenvoudigde TFT: 0,588).
• Temporele Winst: T-AAMSF verbetert de PR-AUC naar 0,291, de hoogste in de studie, wat aantoont dat de accumulatie van anomalieën over meerdere dagen een signaal biedt dat verder gaat dan dagelijkse snapshots.
• Bron-Asymmetrie:
  • GDELT en Chinees Nieuws: Deze bronnen bieden complementaire risicosignalen. GDELT is de sterkste standalone bron (AUC 0,624).
  • Engelse Nieuws: Tegen de intuïtie in, vermindert de Engelse media consequent de prestaties (de AUC daalt naar 0,613 wanneer deze wordt opgenomen). De anomalie-structuur is in deze setting anti-gecorreleerd met de extremen van de CSI 300.
  • Wegingsrobuustheid: Learned weighting strategieën (bijv. Attention, Stacking) falen omdat de validatiedata te ruizig is (slechts 242 dagen) om de kwaliteit van de bronnen betrouwbaar in te schatten. Bijvoorbeeld, GDELT lijkt zwak op validatie (AUC 0,423) maar sterk op test (AUC 0,625). Daarom presteert gelijke wegting beter dan alle geleerde wegtingstrategieën.
• Kenmerkbelang (Feature Importance): De Ridge-component laat zien dat gerealiseerde volatiliteit en technische indicatoren (zoals Bollinger Band breedte, intraday range) de sterkste supervised proxies zijn voor toekomstige extreme events.

Betekenis en Claims
Het artikel pleit voor een verschuiving in het ontwerpconcept voor financiële risicowaarschuwing onder label-schaarste. De primaire bijdrage is de empirische demonstratie dat robuuste anomalie-geometrie en bronbetrouwbaarheid belangrijker zijn dan de capaciteit van supervised representatie in regimes met zeldzame gebeurtenissen.

• Ontwerpprincipe: De auteurs stellen dat in scenario's met weinig samples, het minimaliseren van leerbare parameters essentieel is. Ze tonen aan dat een bijna parameter-vrije benadering (het combineren van niet-parametrische anomaliedetectie met een minimale Ridge regressor) complexe deep learning-modellen overtreft.
• Praktisch Inzicht: De studie benadrukt dat "bronbetrouwbaarheid" contextafhankelijk is; in de Chinese markt zijn binnenlandse en geopolitieke gebeurtenisdata (GDELT) superieur aan wereldwijde Engelse media voor het voorspellen van volatiliteit. Bovendien valideert het artikel empirisch het principe dat wanneer de kwaliteit van een detector niet betrouwbaar kan worden ingeschat door ruis, gelijke wegting superieur is aan geleerde wegting.
• Beperkingen: De auteurs erkennen dat hun model strikt op de CSI 300 wordt geëvalueerd en dat de kruis-marktmogelijkheden (bijv. naar de S&P 500 of Nikkei 225) nog niet getest zijn. Ze merken ook op dat de huidige evaluatie vertrouwt op historische splitsingen in plaats van backtesting die rekening houdt met transactiekosten.