У цифрову епоху фінансові ринки стають все більш вразливими до різноманітних кіберзагроз та цифрових ризиків. Своєчасне виявлення та аналіз впливу таких загроз на фінансові ринки є критично важливим для мінімізації потенційних негативних наслідків та забезпечення стабільності фінансової системи. У цьому дослідженні представлено підхід до моделювання та аналізу впливу кіберзагроз на фінансові ринки шляхом поєднання аналізу часових рядів, методів виявлення аномалій та інструментів програмування мовою Python.
Метою цього дослідження є розробка методології моделювання та аналізу впливу кіберзагроз на фінансові ринки шляхом інтеграції методів аналізу часових рядів, алгоритмів виявлення аномалій та реалізації на мові Python.
У дослідженні представлено методологію, яка поєднує статистичні методи та методи машинного навчання для аналізу часових рядів та виявлення аномалій. Методологія включає попередню обробку даних, виявлення трендів та десезоналізацію часових рядів, виявлення аномалій за допомогою комбінації статистичних методів та методів машинного навчання, аналіз та класифікацію аномалій, а також перевірку та інтерпретацію результатів. Реалізація використовує Python та потужні бібліотеки, такі як Pandas, NumPy, Scikit-learn, StatsModels та TensorFlow/Keras. Наведено приклад реалізації алгоритму виявлення аномалій на основі Isolation Forest для виявлення потенційних цифрових загроз шляхом аналізу часових рядів фінансових даних. Розглянуто приклади використання алгоритмів кластеризації (K-Means та DBSCAN) для виявлення аномалій, а також поєднання статистичного методу ARIMA та алгоритму машинного навчання Isolation Forest для виявлення аномалій у залишках прогнозованих значень часових рядів. Емпіричне тестування на реальних фінансових даних продемонструвало ефективність запропонованого підходу для виявлення та прогнозування впливу кіберзагроз. Візуалізація та аналіз виявлених аномалій дозволили виявити їх характерні особливості та потенційні причини, пов’язані з кіберзагрозами.
Отримані результати мають практичне значення для підвищення стійкості фінансових ринків до кіберзагроз та мінімізації ризиків. Наведені в роботі приклади є спрощеними, і їх ефективне застосування в реальних сценаріях потребуватиме додаткового налаштування параметрів моделі, обробки даних та інтерпретації результатів. Розроблене програмне забезпечення може бути використане учасниками ринку, регуляторами та аналітиками для своєчасного виявлення та реагування на потенційні кіберзагрози, що впливають на фінансові показники. Крім того, запропонована методологія може бути адаптована для використання в інших сферах, де потрібен моніторинг та аналіз часових рядів даних на наявність аномалій. Подальші дослідження можуть бути зосереджені на вдосконаленні методів виявлення та класифікації аномалій, інтеграції додаткових джерел даних (наприклад, потоків новин або соціальних мереж) для кращого розуміння природи кіберзагроз, а також на розробці автоматизованих систем для запобігання та реагування на виявлені загрози.
In the digital age, financial markets are becoming increasingly vulnerable to various cyber
threats and digital risks. Timely detection and analysis of the impact of such threats on financial markets is critical to minimise
potential negative consequences and ensure the stability of the financial system. This study presents an approach to modelling and
analysing the impact of cyber threats on financial markets by combining time series analysis, anomaly detection methods, and
Python programming tools.
The main objective of this study is to develop a methodology for modelling and analysing the impact of cyber threats on
financial markets by integrating time series analysis methods, anomaly detection algorithms and Python implementation.
Results. The study presents a methodology that combines statistical and machine learning techniques for time series
analysis and anomaly detection. The methodology includes data preprocessing, trend detection and deseasonalisation of time
series, anomaly detection using a combination of statistical and machine learning methods, anomaly analysis and classification,
and validation and interpretation of results. The implementation uses Python and powerful libraries such as Pandas, NumPy, Scikitlearn, StatsModels, and TensorFlow/Keras. An example of implementing an anomaly detection algorithm based on Isolation Forest
to identify potential digital threats by analysing time series of financial data is presented. Examples of the use of clustering
algorithms (K-Means and DBSCAN) for anomaly detection, as well as a combination of the statistical method ARIMA and the
machine learning algorithm Isolation Forest for detecting anomalies in the residuals of predicted values of time series are
considered. Empirical testing on real financial data demonstrated the effectiveness of the proposed approach in detecting and
predicting the impact of cyber threats. Visualisation and analysis of the detected anomalies allowed us to identify their
characteristic features and potential causes related to cyber threats.
Conclusions. The results obtained are of practical importance for increasing the resilience of financial markets to cyber
threats and minimising risks. The examples presented in this paper are simplified, and their effective application in real-world
scenarios will require additional adjustment of model parameters, data processing, and interpretation of results. The developed
software can be used by market participants, regulators, and analysts to timely identify and respond to potential cyber threats
that affect financial performance. In addition, the proposed methodology can be adapted for use in other areas where monitoring
and analysing time-series data for anomalies is required. Further research could focus on improving methods for detecting and
classifying anomalies, integrating additional data sources (e.g., news streams or social media) to better understand the nature of
cyber threats, and developing automated systems for preventing and responding to identified threats
