摘要：Neural networks have been long used for time series analysis in various applications. The late boost in computer power and data engineering brought about a myriad of algorithms that are wrapped under the larger title of Data Science. The apparent proliferation of these algorithms is due to their employment for several applications that range from simple classification problems, such as spam e-mail identification, to pattern detection in images and videos and several forecasting applications. Heralding the world of machine learning, these algorithms are trained on large amounts of data with the objective to extract repetitive structures that are likely to persist. It is therefore explainable the recent attention that these algorithms are given from the perspective of economic applications. This paper employs a recurrent neural network algorithm on daily data for several stock market indices in order to detect anomalous behaviour. The approach is rooted in the jump-detection literature that has the objective to identify outlying realizations of log-returns for diverse stock market data. We show that this approach establishes economically significant patterns that can be considered as anomalies when compared to their past dynamics.
其他摘要：Rețelele neuronale au fost folosite mult timp pentru analiza seriilor de timp în diferite aplicații. Dezvoltarea recentă a puterii computerelor și a ingineriei datelor a dus la apariția unei multitudini de algoritmi, care au dobândit denumirea mai largă de Știința datelor. Proliferarea acestor algoritmi se datorează utilizării lor pentru mai multe aplicații, care variază de la simple probleme de clasificare, cum ar fi identificarea corectă a e-mail-urilor de tip "spam”, până la detectarea formelor în imagini și videoclipuri și realizarea de prognoze. Modul lor de funcționare este desemnat de conceptul de machine learning, care atestă faptul că acești algoritmi sunt instruiți (învață) pe cantități mari de date, cu scopul de a extrage structuri repetitive cu potențial ridicat de persistență. Pe cale de consecință, este explicabilă atenția recentă acordată posibilității de utilizare a acestor algoritmi pentru aplicații de natură economică. Această lucrare folosește un algoritm, care are la bază rețele neuronale recurente, aplicat la date zilnice pentru mai mulți indici bursieri, cu scopul de a detecta comportamente anormale. Abordarea este înrădăcinată în literatura de specialitate care privește detectarea salturilor, care are ca obiectiv identificarea randamentelor logaritmice anormale de pe piața bursieră. Această abordare permite detectarea unor situații speciale, care au semnificație economică și care pot fi considerate ca anomalii prin comparație cu evoluția lor istorică.
