加载中...
本文对比评估了三类金融异常检测方法:拓扑数据分析(TDA)、主成分分析(PCA)与基于神经网络的图方法(GlocalKD (GINE)、One-Shot GIN(E)),基于2005–2021年TSX-60构建的加权图数据集进行实验,结果显示GNN与TDA在检测系统性金融压力事件(如2009、2011、2020等)上优于基于原始或PCA变换的特征,GlocalKD达到了最高F1=0.68,One‑Shot GIN(E)为0.60,TDA方法F1范围约0.55–0.59,这表明包含全局结构信息的方法在识别金融应力事件上更有效
| Method | Recall | Precision | F1 Score |
|---|---|---|---|
| Glocal KD (GINE) | 0.56 | 0.86 | 0.68 |
| One-Shot GIN | 0.47 | 0.86 | 0.60 |
| LOF L1PH | 0.52 | 0.57 | 0.55 |
| LOF L2PH | 0.49 | 0.71 | 0.58 |
| MAH L1PH | 0.50 | 0.71 | 0.58 |
| MAH L2PH | 0.46 | 0.71 | 0.56 |
| LOF RAW | 0.27 | 0.29 | 0.28 |
| MAH RAW | 0.20 | 0.86 | 0.32 |
| LOF PCA (dim=10) | 0.18 | 0.71 | 0.28 |
| MAH PCA (dim=10) | 0.47 | 0.43 | 0.45 |
| LOF PCA (dim=100) | 0.22 | 0.43 | 0.29 |
| MAH PCA (dim=100) | 0.47 | 0.43 | 0.45 |
元数据与概览(引言与报告概览)
逐节深度解读
图表与图像深度解读(关键图表逐一分析)
图 1:分析流程图(Figure 1,page=3)
表 1 / 图 2:方法性能汇总表(Figure 2,page=9)
图 3:按月份统计的异常图数量(Figure 3,多子图,page=10)
DJIA 复现结果(附录,Figures 4–5,page=11–12)
估值分析(适用性说明)
风险因素评估(作者识别或由文本可推断的限制)
批判性视角与细微差别
结论性综合
附:主要图像(供便捷回溯)
若需要,我可以:
2604.02549.pdf