用拓扑与神经网络方法检测加拿大股市异常，发现全局拓扑特征有效。
Financial Anomaly Detection for the Canadian Market
- 结合拓扑数据分析与神经网络模型识别市场异常
- 神经网络和拓扑方法在TSX-60上表现最优，准确识别重大金融压力事件
- 适合关注金融市场风险监测的研究者与量化分析师
本文评估三类方法在检测金融异常中的表现：拓扑数据分析（TDA）、主成分分析（PCA）和基于神经网络的方法。将这些方法应用于TSX-60数据，以识别加拿大股市中的重大金融压力事件。结果表明，基于神经网络的方法（如GlocalKD和One-Shot GIN(E)）以及拓扑数据分析方法表现最佳。TDA在检测金融异常中的有效性说明，全局拓扑特性对区分金融压力事件具有重要意义。
原文摘要 · Abstract (English)
In this work we evaluate the performance of three classes of methods for detecting financial anomalies: topological data analysis (TDA), principal component analyis (PCA), and Neural Network-based approaches. We apply these methods to the TSX-60 data to identify major financial stress events in the Canadian stock market. We show how neural network-based methods (such as GlocalKD and One-Shot GIN(E)) and TDA methods achieve the strongest performance. The effectiveness of TDA in detecting financial anomalies suggests that global topological properties are meaningful in distinguishing financial stress events.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。