Discussão do artigo "Redes neurais em trading: Identificação de anomalias no domínio da frequência (CATCH)"
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Novo artigo Redes neurais em trading: Identificação de anomalias no domínio da frequência (CATCH) foi publicado:
Uma das principais tarefas da análise de séries temporais é a detecção de anomalias. Saltos inesperados de preços, mudanças bruscas de liquidez, atividades de negociação suspeitas podem sinalizar manipulações de mercado ou negociação com informação privilegiada. Se não forem percebidas a tempo, as consequências podem ser catastróficas, desde grandes prejuízos até o colapso de instituições financeiras inteiras.
As anomalias podem ser de dois tipos: pontuais e na forma de subsequências. As anomalias pontuais são valores atípicos abruptos, por exemplo, um aumento súbito no volume de negociações de uma única ação. Elas são facilmente detectadas com o uso de métodos padrão. Já as anomalias de subsequência são mais complexas; são mudanças que parecem normais, mas violam os padrões de mercado habituais. Por exemplo, um deslocamento de longo prazo na correlação entre ações, ou um crescimento de preço anormalmente suave em um mercado instável. Essas anomalias são especialmente importantes, pois podem indicar riscos ocultos.
Uma das abordagens mais eficazes para sua detecção é a transferência dos dados para o domínio da frequência. Nessa representação, diferentes tipos de anomalias se manifestam em faixas de frequência específicas. Por exemplo, picos de volatilidade de curto prazo afetam componentes de alta frequência, enquanto mudanças globais de tendência impactam componentes de baixa frequência. No entanto, os métodos padrão frequentemente perdem detalhes importantes, especialmente nas altas frequências, onde se escondem sinais pouco perceptíveis, mas criticamente importantes.
Também é importante considerar as relações entre diferentes ativos de mercado. Por exemplo, se os futuros de petróleo caem drasticamente, mas as ações de empresas petrolíferas permanecem estáveis, isso pode ser um sinal de inconsistência no mercado. Contudo, os modelos clássicos ou ignoram essas inter-relações, ou as consideram de forma excessivamente rígida, o que reduz a precisão das previsões.
Uma das soluções para os problemas mencionados foi proposta no trabalho "CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching". Seus autores apresentaram um novo framework CATCH, que utiliza a transformada de Fourier para analisar dados de mercado no domínio da frequência. Com o objetivo de melhorar a detecção de anomalias complexas, os autores do framework desenvolveram um mecanismo de patching de frequência, que ajuda a modelar o comportamento normal dos ativos com alta precisão. Um módulo adaptativo de inter-relações permite identificar automaticamente correlações importantes entre instrumentos de mercado, ignorando o ruído.
Autor: Dmitriy Gizlyk