Explainable Heterogeneous Anomaly Detection in Financial Networks via Adaptive Expert Routing

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

Imagine que o mercado financeiro é como uma grande cidade com milhões de pessoas (ações) interagindo todos os dias. De vez em quando, algo dá errado: uma loja quebra, um trem atrasa, ou surge um pânico no metrô.

O problema é que os sistemas de segurança atuais (os "detectores de anomalia" antigos) funcionam como um alarme de incêndio genérico. Quando algo dá errado, eles tocam o alarme e gritam: "ATENÇÃO! HÁ UM PROBLEMA!" com um número de intensidade (ex: 9.5/10).

Mas eles não dizem o que está acontecendo nem por que.

Será que é um incêndio real (crise de liquidez)?
Será que alguém jogou um balde de água (choque de preço)?
Será que é um vazamento de gás que vai explodir tudo (contágio sistêmico)?

Se você não sabe a causa, não sabe o remédio. Você não pode usar água num incêndio elétrico, nem apagar um vazamento de gás com um extintor de pó químico.

Este artigo apresenta um novo sistema, chamado "Detecção de Anomalias com Especialistas Adaptativos", que funciona como um hospital de emergência inteligente em vez de um simples alarme.

Aqui está como ele funciona, passo a passo:

1. O Mapa que Muda de Forma (Gráficos Adaptativos)

Imagine que a cidade tem ruas e conexões. Em dias tranquilos, as pessoas andam por rotas normais. Mas quando começa uma tempestade (crise), as pessoas correm para os mesmos abrigos, criando aglomerações novas e perigosas que não existiam antes.

O problema antigo: Os mapas eram estáticos. Eles mostravam apenas as ruas de dias tranquilos e ignoravam os novos atalhos que surgem no caos.
A solução deste paper: O sistema cria um mapa vivo. Ele usa um "GPS" que sabe como a cidade deveria ser (baseado em setores, como bancos ou tecnologia) e combina isso com o que está acontecendo agora (dados em tempo real).
- Se o mercado está calmo, ele olha para as conexões ocultas (como cadeias de suprimentos).
- Se o mercado entra em pânico, ele foca nas conexões óbvias e perigosas (todos correndo para o mesmo abrigo).
- Analogia: É como um motorista que sabe o mapa da cidade, mas se vê um engarrafamento repentino, ele usa o GPS em tempo real para desviar, em vez de insistir na rota antiga.

2. A Equipe de Especialistas (Mixture of Experts)

Em vez de ter um único médico generalista tentando diagnosticar tudo, o sistema tem quatro especialistas trabalhando juntos, cada um focado em um tipo de doença financeira:

O Especialista em Choque de Preço: Foca em notícias ruins que fazem o preço cair bruscamente (como um anúncio de demissão em massa).
O Especialista em Liquidez: Foca na falta de dinheiro para comprar/vender (como quando ninguém quer comprar seus produtos e você não consegue vender nada).
O Especialista em Contágio Sistêmico: Foca em como o problema de um banco se espalha para os outros (como um vírus que salta de pessoa para pessoa).
O Especialista em Reversão de Tendência: Foca quando uma subida ou descida longa finalmente para e inverte (como uma bola que sobe muito e cai de repente).

Como eles decidem quem atende?
O sistema usa um "recepcionista inteligente" (chamado de roteamento). Quando uma ação começa a agir mal, o recepcionista olha os sintomas e diz: "Isso parece um problema de Liquidez". Então, ele manda o caso para o Especialista em Liquidez.

O mais incrível é que o sistema aprende sozinho quem é o especialista certo, sem precisar que um humano diga "isso é uma crise de liquidez". Ele descobre isso observando os padrões.

3. O Diagnóstico Explicável (Interpretabilidade)

Aqui está a mágica. Quando o sistema detecta um problema, ele não dá apenas um número. Ele entrega um relatório de diagnóstico:

"A ação X está com um problema de 80% Choque de Preço e 20% Contágio."

Isso é como um médico dizendo: "O paciente não tem apenas 'febre'. Ele tem uma infecção viral específica que precisa de antibióticos, não de remédio para dor de cabeça."

Cenário Real (Banco SVB): O sistema viu que o problema estava concentrado apenas no setor bancário (especialista em Choque de Preço ativado). Isso indicou uma crise localizada.
Cenário Real (Japão): O sistema viu que o problema estava espalhado por todos os setores (especialista em Contágio ativado). Isso indicou uma crise global.

4. O Índice de Pressão do Mercado

O sistema agrega todos esses diagnósticos individuais e cria um Painel de Controle da Cidade.

Se apenas uma loja está em chamas, o painel mostra um alerta amarelo (atenção).
Se o fogo está se espalhando para vários bairros, o painel sobe para vermelho (crise), permitindo que os bombeiros (reguladores) ajam antes que tudo queime.

Por que isso é importante?

Antecipação: O sistema conseguiu prever crises importantes com dias de antecedência (em média 3,7 dias antes), dando tempo para agir.
Ação Correta: Saber a causa permite a solução certa. Se é falta de dinheiro, injeta-se liquidez. Se é pânico de informação, acionam-se "circuit breakers" (paradas de emergência).
Transparência: Não é uma "caixa preta". Os gestores financeiros podem ver por que o sistema está preocupado, o que gera confiança.

Resumo da Ópera:
Este paper cria um sistema de segurança financeira que não apenas grita "PERIGO!", mas aponta o dedo para a causa do perigo, explica se é um problema local ou global, e sugere qual tipo de ajuda é necessária, tudo isso aprendendo sozinho com os dados do mercado. É como trocar um alarme de incêndio cego por um corpo de bombeiros com visão de raio-X e especialistas treinados.

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

1. Problema e Motivação

As anomalias financeiras não são homogêneas; elas surgem de mecanismos distintos, como choques de preços, congelamentos de liquidez, cascatas de contágio e reversões de momentum. No entanto, os detectores de anomalias existentes apresentam três limitações críticas:

Estruturas de Grafos Estáticas: Não conseguem adaptar-se quando as correlações entre ativos mudam drasticamente entre regimes de mercado (ex.: períodos calmos vs. crises).
Detecção Uniforme: Modelos existentes tratam todas as anomalias da mesma forma, gerando uma única pontuação escalar que não distingue qual mecanismo falhou (ex.: não diferencia um choque de liquidez de um choque de informação).
Caixa-Preta (Black-Box): As pontuações de anomalia não fornecem orientação acionável sobre a causa raiz, impedindo respostas regulatórias ou de gestão de risco direcionadas (ex.: saber se é necessário um circuit breaker ou suporte de market-making).

O objetivo do trabalho é criar um sistema que detecte anomalias, identifique o mecanismo subjacente e explique a evolução do risco de forma interpretável, sem necessidade de supervisão rotulada.

2. Metodologia Proposta

O framework proposto é uma arquitetura de aprendizado profundo baseada em Redes de Grafos Dinâmicos e Mistura de Especialistas (MoE), projetada com interpretabilidade arquitetural (incorporada no modelo, não post-hoc).

A. Grafos Adaptativos Modulados por Estresse

Para resolver a instabilidade das estruturas de grafos durante crises, o modelo constrói um grafo fundido ( $A_{fused}$ ) que interpola dinamicamente entre:

$A_{prior}$ : Conhecimento de domínio estático (agrupamento setorial e geográfico).
$A_{learned}$ : Correlações aprendidas dos dados (movimentos conjuntos de curto prazo e padrões contextuais).

Um coeficiente de fusão $\alpha_t$ é modulado por um índice de estresse de mercado ( $\psi_t$ ):

Alto Estresse: O modelo prioriza a estrutura de prior ( $A_{prior}$ ), confiando em canais de transmissão de crise conhecidos (ex.: contágio setorial).
Baixo Estresse: O modelo prioriza as correlações aprendidas ( $A_{learned}$ ), capturando ligações implícitas emergentes.
Isso resolve o dilema entre estabilidade e responsividade.

B. Mistura de Especialistas Alinhada a Mecanismos (MoE)

Em vez de um único detector, o sistema utiliza quatro "especialistas" neurais, cada um focado em um mecanismo financeiro específico descrito na literatura econômica:

Choque de Preço (Price-Shock): Volatilidade baseada em assimetria de informação (caudas pesadas, spreads estáveis).
Liquidez (Liquidity): Atritos de negociação e retirada de market makers (explosão de spreads bid-ask).
Contágio Sistêmico (Systemic-Contagion): Propagação através de redes de correlação (estresse coordenado entre setores).
Reversão de Momentum (Momentum-Reversal): Transições de regime e exaustão de tendências.

Roteamento Interpretável: Um mecanismo de gating (portão) calcula pesos de roteamento ( $w_{i,t}$ ) que determinam a contribuição de cada especialista para a pontuação final. Esses pesos servem como proxy interpretável para atribuição de causa:

Baixa entropia nos pesos indica uma anomalia localizada em um único mecanismo.
Alta entropia indica estresse coordenado multi-mecanismo.

C. Agregação Multi-Escala e Índice de Pressão de Mercado (MPI)

O modelo agrega erros de reconstrução em múltiplas escalas temporais (1, 3 e 5 dias) e combina-os com os erros dos especialistas. O resultado é um Índice de Pressão de Mercado (MPI) hierárquico, que agrega pontuações de entidades individuais em sinais de alerta de mercado (níveis L1 a L4), permitindo monitoramento de risco sistêmico.

3. Contribuições Principais

Framework Unificado: Primeiro modelo a integrar grafos adaptativos modulados por estresse, especialistas alinhados a mecanismos financeiros e interpretabilidade arquitetural.
Interpretabilidade sem Supervisão: Os pesos de roteamento distinguem automaticamente crises localizadas de propagação sistêmica sem usar rótulos de crise durante o treinamento.
Superioridade Empírica: Desempenho superior em dados reais de mercado, superando modelos de séries temporais (LSTM-AE, TranAD) e grafos (DOMINANT, ROLAND).

4. Resultados Experimentais

O framework foi testado em 100 ações dos EUA (2017–2024), cobrindo quatro regimes de mercado distintos (pós-pandemia, inflação, estresse bancário, carry-trade).

Detecção de Eventos: Detectou 100% dos seis principais eventos de estresse do período de teste (incluindo o colapso do SVB e o unwind do carry-trade japonês).
Lead Time (Tempo de Antecedência): Média de 3,7 dias de antecedência sobre os eventos.
Métricas de Desempenho:
- AUC: 0,888 (vs. ~0,68 dos melhores baselines).
- AP (Average Precision): 0,626.
- Taxa de detecção: +33 pontos percentuais superior aos baselines mais fortes.
Estabilidade: O modelo manteve distribuições de pontuação consistentes através de regimes de mercado radicalmente diferentes, sem necessidade de recalibração.

Estudos de Caso

Colapso do SVB (Março 2023): O modelo identificou corretamente como um choque setorial localizado (razão de confinamento setorial de 44:1), com alerta disparado no dia do evento (choque abrupto), sem estresse prévio generalizado.
Unwind do Carry-Trade Japonês (Agosto 2024): Identificado como propagação sistêmica multi-setorial (razão ~1:1), com alerta de 4 dias de antecedência e sinais de alerta em nível de ação 1-2 semanas antes.

5. Significado e Implicações

Para a Regulação e Risco Sistêmico: O sistema permite que reguladores distinguam entre choques localizados e contágio sistêmico, permitindo respostas calibradas (ex.: intervenção de liquidez vs. circuit breakers). A estabilidade dos limiares de detecção facilita a conformidade regulatória auditável.
Para Gestão de Portfólio: Atribuição de mecanismo permite que gestores de risco ajustem estratégias (ex.: hedging com derivativos, reestruturação de posições) com antecedência e precisão, baseando-se na causa raiz da anomalia e não apenas na magnitude.
Avanço Teórico: O trabalho valida empiricamente teorias de transmissão de crises (ex.: Choque de Preço precede Contágio Sistêmico; Deterioração da Liquidez é uma consequência, não um indicador líder) puramente através de aprendizado não supervisionado, oferecendo uma nova base metodológica para sistemas de risco financeiro transparentes.

Em resumo, o artigo propõe uma mudança de paradigma: de detectar que algo está errado para explicar por que e como está errado, utilizando uma arquitetura que incorpora o conhecimento econômico diretamente na estrutura do modelo de IA.