[논문 리뷰] A machine learning approach to support decision in insider trading detection

Piero Mazzarisi, Adele Ravagnani외 4명|arXiv (Cornell University)|2022. 12. 06.

Financial Markets and Investment Strategies인용 수 4

한 줄 요약

이 논문은 가격 민감성 사건 주변에서 비정상적이고 보상 중심의 거래 행동을 보이는 개인 거래자와 동기화된 거래 고리(링)를 탐지하기 위해 두 가지 비지도 기계학습 방법을 제안한다: (1) 가격 민감성 사건 주변에서 개인 거래자의 이질적이고 끊어진 거래 행동을 식별하기 위한 k-means 군집화, (2) 동기화된 거래 고리를 탐지하기 위한 통계적으로 검증된 네트워크(SVN). 두 방법은 상호 보완적이며 오직 4명의 거래자만 중복되어 있어, 서로 다른 유형의 내부자 거래 활동을 드러내는 데 성공함을 보여준다.

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.

연구 동기 및 목표

• 고량의 거래 데이터와 낮은 신호 대 잡음 비율을 가진 금융 데이터에서 내부자 거래를 탐지하는 데 도전하는 데 목적이 있다.
• 가격 민감성 사건(PSEs) 이전에 비정상적인 개인 및 집단 거래 행동을 식별함으로써 시장 감시 당국을 지원하는 데 목적이 있다.
• 기존의 감시 방식에 보완되며 '명백한 증거'에 의존하지 않는 데이터 기반 비지도 접근법을 개발하는 데 목적이 있다.
• 특히 이탈리아와 같이 강력한 행정 및 형사 제재 체계를 갖춘 관할권에서 실질적인 시 thị장 오남용 탐지에 적용 가능한 방법론을 제공하는 데 목적이 있다.
• 군집화와 네트워크 분석을 통해 개인 수준 분석을 넘어서 잠재적 내부자 거래 혐의자 식별의 효율성과 정확도를 향상시키는 데 목적이 있다.

제안 방법

• 가격 민감성 사건 주변에서 개인 거래자의 이질적이고 끊어진 거래 행동을 식별하기 위해, (1) 투자자의 이전 거래 행동에 비해 거래의 이질성, (2) 거래 방향성( Bulls/Bearish), (3) 가격 민감성 사건에서의 기대 수익을 정의한 3차원 특성 공간에서 k-means 군집화를 적용한다.
• 과거 행동에서의 이격 정도에 따라 투자자를 '강한' 또는 '약한' 이질적 거래자로 분류한다.
• 가격 민감성 사건 주변에서 방향성이 높고 동기화된 거래를 하는 투자자 집단을 탐지하기 위해 통계적으로 검증된 네트워크(SVN)를 적용한다.
• 공동 이동 군집을 식별할 때 거짓 경고를 통제하기 위해 SVN 방법에 Bonferroni 보정을 적용한다.
• 일일 단위의 시간 척도에서 동기화된 거래를 정의함으로써, 여러 투자자 간의 협력적 행동을 탐지할 수 있도록 한다.
• 두 방법의 결과를 통합하여 겹치는 경우나 상호 보완적인 경우를 식별함으로써 탐지 범위를 강화한다.

실험 결과

연구 질문

• RQ1 비지도 기계학습을 통해 가격 민감성 사건 이전에 비정상적이고 이질적인 거래 패턴을 보이는 개인 거래자를 어떻게 탐지할 수 있는가?
• RQ2 네트워크 기반 군집화는 내부자 사건 주변에서 방향성이 높고 동기화된 방식으로 거래하는 투자자 집단을 식별할 수 있는가? 이는 잠재적인 내부자 고리의 존재를 시사하는가?
• RQ3 두 방법의 결과가 어느 정도 겹치며, 이는 내부자 거래 행동의 본질에 대해 어떤 함의를 갖는가?
• RQ4 군집화와 네트워크 분석을 어떻게 융합하여 개인 수준 분석을 넘어서 시장 오남용 탐지를 향상시킬 수 있는가?
• RQ5 이러한 방법들은 내부자 거래 조사의 초도 경고 및 평가 단계에서 규제 당국이 수행하는 역할을 어떻게 지원할 수 있는가?

주요 결과

• k-means 방법은 이탈리아의 인수합병 제안 주변에서 총 303명의 이질적 거래자—하드 유형 237명, 소프트 유형 66명—을 식별했다.
• SVN Bonferroni 방법은 방향성 0.9 이상의 고방향성 군집에 속한 1,662명의 거래자를 탐지하여 협력적 행동을 시사했다.
• 두 방법에 모두 공통으로 포함된 거래자는 오직 4명 뿐이었으며, 이는 두 방법 간의 겹침이 매우 적고 상호 보완적임을 시사한다.
• 겹치는 두 법적 실체는 방향성 1과 0.81을 가지며, 서로 매우 동기화된 미니 군집을 이룬 것으로, 기대 수익은 각각 €277,625와 €241,132였다.
• 겹치는 두 가정 거래자들은 강한 방향성(1과 0.99)과 높은 기대 수익(€1,380과 €95,619)을 보여, 고위험 행동임을 시사했다.
• 두 방법 간의 낮은 겹침은 그들이 서로 다른 유형의 내부자 활동—개인의 이질적 행동과 집단의 공모 행동—을 탐지할 수 있음을 확인하며 상호 보완적임을 입증한다.