Una preocupación importante al tratar con series temporales financieras que involucran una amplia variedad de factores de riesgo del mercado es la presencia de anomalías. Estas inducen una mala calibración de los modelos utilizados para cuantificar y gestionar el riesgo, lo que resulta en posibles medidas de riesgo erróneas. Proponemos un enfoque que tiene como objetivo mejorar la detección de anomalías en series temporales financieras, superando la mayoría de las dificultades inherentes. Se extraen características valiosas de la serie temporal al comprimir y reconstruir los datos a través del análisis de componentes principales. Luego definimos un puntaje de anomalía utilizando una red neuronal feedforward. Se considera que una serie temporal está contaminada cuando su puntaje de anomalía excede un valor de corte dado. Este valor de corte no es un parámetro predefinido, sino que se calibra como un parámetro de la red neuronal a lo largo de la minimización de una función de pérdida personalizada. La eficiencia del enfoque propuesto en comparación con varios algoritmos bien conocidos de detección de anomalías se demuestra numéricamente en conjuntos de datos sintéticos y reales, logrando un rendimiento alto y estable con el enfoque PCA NN. Mostramos que los errores de estimación del valor en riesgo se reducen cuando se utiliza el modelo de detección de anomalías propuesto con un enfoque básico de imputación para corregir la anomalía.