Ανίχνευση ανωμαλιών σε χρηματοοικονομικές χρονοσειρές με μεθόδους μηχανικής μάθησης
Anomaly detection in financial time series using machine learning methods
Λέξεις-κλειδιά
Μηχανική μάθηση ; Χρονοσειρές ; Χρηματοοικονομικές χρονοσειρές ; Ανίχνευση ανωμαλιών ; LSTM ; Arima ; SVMΠερίληψη
Η μηχανική μάθηση έχει εισέλθει δυναμικά στην καθημερινή μας ζωή τα τελευταία χρόνια και αποδεικνύεται ως ένα ισχυρό εργαλείο με πολλές εφαρμογές. Καθώς οι χρηματοοικονομικές αγορές είναι εκτεθειμένες σε διάφορους παράγοντες κινδύνου που μπορούν να προκαλέσουν ανωμαλίες στα δεδομένα, η ανίχνευση ανωμαλιών αποτελεί κρίσιμο εργαλείο για τους επενδυτές, τους τραπεζίτες και άλλους φορείς της αγοράς. Μέσω της μηχανικής μάθησης, μπορούμε να εκπαιδεύσουμε μοντέλα που είναι σε θέση να αναγνωρίζουν μοτίβα και τάσεις στις χρηματοοικονομικές χρονοσειρές. Όταν οι χρονοσειρές παρουσιάζουν ανωμαλίες ή απρόβλεπτες συμπεριφορές, αυτά τα μοντέλα μπορούν να εντοπίσουν τα σημεία αυτά και να εκδώσουν συναφείς προειδοποιήσεις ή σήματα.