Pattern Recognition of Aluminium Arbitrage in Global Trade Data
创建于 更新于
摘要
本文提出一个四层无监督机器学习管道（Forensic Statistics、Isolation Forest、Network Science、Deep Autoencoders）用于 UN Comtrade（2020–2024）数据中铝制品的异常检测，发现价格偏离（极端单价高达约 $167/kg$，超出中位值近1900%）是识别贸易异常的主导因子，并揭示了以“Hardware Masking”（将货物伪装为五金类）与“Void‑Shoring”（目的地抹去/Unspecified）为核心的系统性 TBML 路径，而非单纯的绿色“可持续套利”[page::6][page::13][page::14].
