Financial Anomaly Detection for the Canadian Market
创建于 更新于
摘要
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[page::0][page::8][page::9]
