[論文レビュー] A machine learning approach to support decision in insider trading detection

Piero Mazzarisi, Adele Ravagnani+4 more|arXiv (Cornell University)|Dec 6, 2022

Financial Markets and Investment Strategies被引用数 4

ひとこと要約

本稿では、価格感受性イベントの周辺で非連続的かつ報酬志向的な取引行動を示す個人トレーダーを特定するための2つの教師なし機械学習手法を提案する：(1) k-meansクラスタリング、および(2)統計的に妥当化されたネットワーク（SVN）。これらの手法は相補的であり、重複はわずか4名にとどまり、異なる種類のインサイダー取引行動を特定できる能力を示している。

ABSTRACT

Identifying market abuse activity from data on investors' trading activity is very challenging both for the data volume and for the low signal to noise ratio. Here we propose two complementary unsupervised machine learning methods to support market surveillance aimed at identifying potential insider trading activities. The first one uses clustering to identify, in the vicinity of a price sensitive event such as a takeover bid, discontinuities in the trading activity of an investor with respect to his/her own past trading history and on the present trading activity of his/her peers. The second unsupervised approach aims at identifying (small) groups of investors that act coherently around price sensitive events, pointing to potential insider rings, i.e. a group of synchronised traders displaying strong directional trading in rewarding position in a period before the price sensitive event. As a case study, we apply our methods to investor resolved data of Italian stocks around takeover bids.

研究の動機と目的

• 高取引量で信号対雑音比が低い金融データにおけるインサイダー取引の検出という課題に取り組む。
• 価格感受性イベント（PSE）の前段階で、異常な個人的およびグループ取引行動を特定することで、市場監視当局を支援する。
• 従来の監視手法に補完的であり、「決定的証拠（smoking gun）」に依存しないデータ駆動型の教師なしアプローチを構築する。
• 特にイタリアのような行政的・刑事的執行力が強い管轄域においても適用可能な、市場乱用検出のための手法を提供する。
• クラスタリングとネットワーク分析を組み合わせることで、個々のレベルを超えた潜在的なインサイダー取引容疑者の特定の効率性と正確性を向上させる。

提案手法

• 取引の非連続性（投資家の歴史的行動からの乖離）、取引の方向性（ボリッシュ／ベアッシュ）、PSEからの期待利益という3次元特徴空間におけるk-meansクラスタリングを用いる。
• 過去の行動からの乖離の大きさに基づき、投資家を「ハード」または「ソフト」の非連続的行動に分類する。
• 統計的に妥当化されたネットワーク（SVN）を用いて、PSEの周辺で同期的かつ高方向性の取引を行う投資家グループを検出する。
• 共起クラスタの特定における誤検出を制御するため、SVNアプローチでボンフェローニ補正を適用する。
• 日次スケールでの同期的取引を定義することで、複数の投資家にわたる協調的行動の検出を可能にする。
• 両手法の結果を統合し、重複または相補的な疑わしい事例を特定することで、検出カバレッジを強化する。

実験結果

リサーチクエスチョン

• RQ1 教師なし機械学習は、価格感受性イベントの前段階で、非連続的かつ異常な取引パターンを示す個人トレーダーをどのように検出できるか？
• RQ2 ネットワークベースのクラスタリングは、インサイダーイベントの周辺で同期的かつ方向性のある行動を示す投資家グループを検出できるか？これは潜在的なインサイダー環の兆候であるか？
• RQ3 2つの手法の結果の重複度合いはどの程度であり、これはインサイダー取引行動の性質にどのような示唆をもたらすか？
• RQ4 クラスタリングとネットワーク分析を統合することで、個々のレベルを超えた市場乱用の検出をどの程度向上できるか？
• RQ5 これらの手法は、インサイダー取引調査の初期アラート段階および評価段階において、規制当局が果たす役割をどのように支援できるか？

主な発見

• k-means手法により、イタリアの買収提案の周辺で合計303名の非連続的トレーダー（ハード：237名、ソフト：66名）が特定された。
• SVNのボンフェローニ補正アプローチにより、高方向性クラスタ（≥0.9）に所属する1,662名のトレーダーが検出され、協調的行動が示された。
• 両手法に共通するトレーダーはわずか4名（2名の世帯、2名の法人事業体）であり、重複は最小限に抑えられ、両手法の相補的性が裏付けられた。
• 重複した2名の法人事業体は、方向性1.0および0.81の非常に同期的で高い協調性を示し、期待利益はそれぞれ277,625ユーロおよび241,132ユーロであった。
• 重複した2名の世帯は、強い方向性（1.0および0.99）と高い期待利益（1,380ユーロおよび95,619ユーロ）を示しており、高リスク行動であると示唆された。
• 両手法の重複が少ないことから、両手法が相補的であることが確認された。これは、個々の非連続行動とグループでの共謀行動という、異なる種類のインサイダー活動を検出できることを示している。