Machine Learning algorithm for Anomaly Detection in interest rate time series

Any financial organization needs to have access to financial market data. Technical or human error-related anomalies in these data have a significant effect on the calibration of models used to measure and manage financial risk. Detecting anomalies in financial data is critical for maintaining market stability, managing risks, and making informed financial decisions. This thesis explores the development and implementation of a machine learning algorithm for anomaly detection in interest rate time series, specifically using a Long Short-Term Memory (LSTM) Autoencoder. The choice of interest rates as the data to analyze is due to the fact that these rates are key economic indicators, and analyzing their dynamics can reveal abnormal patterns or outliers, identifying economic changes or market anomalies. The study leverages LSTM-Autoencoders to capture complex temporal dependencies and reconstruct the input time series. The reconstruction error is then used to identify anomalies. The methodology involves training an LSTM-Autoencoder model with historical Euribor time series data from January 2008 to January 2024. The autoencoder is designed to learn and reconstruct the underlying patterns in the interest rate fluctuations. By analyzing the reconstruction error, the model distinguishes between normal variations and anomalous events in the data. The model performance is evaluated with the use of artificially induced anomalies to generate labeled datasets. The thesis concludes with an analyses on the results obtained from the calculated metrics and proposes some techniques to improve the model.

Qualsiasi organizzazione finanziaria deve avere accesso ai dati del mercato finanziario. Le anomalie legate a errori tecnici o umani in questi dati hanno un effetto significativo sulla calibrazione dei modelli utilizzati per misurare e gestire il rischio finanziario. Rilevare le anomalie nei dati finanziari è fondamentale per mantenere la stabilità del mercato, gestire i rischi e prendere decisioni finanziarie consapevoli. Questa tesi esplora lo sviluppo e l’implementazione di un algoritmo di machine learning per la rilevazione di anomalie nelle serie temporali dei tassi di interesse, utilizzando in particolare un Long Short-Term Memory (LSTM) Autoencoder. La scelta dei tassi di interesse come dati da analizzare è dovuta al fatto che questi tassi sono indicatori economici chiave, e analizzarne le dinamiche può rivelare schemi anomali o outlier, identificando cambiamenti economici o anomalie di mercato. Lo studio sfrutta gli LSTM-Autoencoder per catturare complesse dipendenze temporali e ricostruire la serie temporale di input. L’errore di ricostruzione viene poi utilizzato per identificare le anomalie. La metodologia prevede l’addestramento del modello LSTM-Autoencoder con dati storici delle serie temporali Euribor da gennaio 2008 a gennaio 2024. L’autoencoder è progettato per apprendere e ricostruire i pattern sottostanti nelle flut- tuazioni dei tassi di interesse. Analizzando l’errore di ricostruzione, il modello distingue tra variazioni normali ed eventi anomali nei dati. Le prestazioni del modello sono valutate con l’uso di anomalie indotte artificialmente per generare set di dati etichettati. La tesi si conclude con un’analisi dei risultati ottenuti dalle metriche calcolate e propone alcune tecniche per migliorare il modello.