[论文解读] 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 4

一句话总结

本文提出两种无监督机器学习方法以检测内部交易：(1) 使用k-means聚类识别在价格敏感事件前后呈现不连续、寻求收益的交易行为的个体交易者；(2) 使用统计验证网络（SVN）检测同步交易圈。这两种方法互补，仅有4名交易者重叠，凸显其能够发现不同类型内部交易活动的能力。

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.

研究动机与目标

• 解决在高交易量、信噪比较低的金融数据中检测内部交易的挑战。
• 通过在价格敏感事件（PSEs）之前识别异常的个体与群体交易行为，支持市场监控机构。
• 开发一种数据驱动的无监督方法，补充传统监控手段，减少对‘确凿证据’的依赖。
• 提供一种可应用于现实世界市场滥用检测的方法论，尤其适用于意大利等行政与刑事执法力度较强的司法管辖区。
• 通过聚类与网络分析提升识别潜在内部交易嫌疑人的效率与准确性。

提出的方法

• 在由以下三个维度构成的三维特征空间中使用k-means聚类：(1) 与投资者历史行为相比的交易不连续性，(2) 交易方向性（看涨/看跌），(3) 价格敏感事件带来的预期收益。
• 根据与历史行为偏离程度的大小，将投资者分类为‘强’或‘弱’不连续类型。
• 应用统计验证网络（SVN）以检测在价格敏感事件前后呈现同步、高方向性交易的投资者群体。
• 在SVN方法中采用Bonferroni校正，以控制在识别共动聚类时的假阳性率。
• 以每日为时间尺度定义同步交易，从而能够检测多个投资者之间的协调行为。
• 结合两种方法的结果，识别重叠或互补的可疑案例，提升检测覆盖率。

实验结果

研究问题

• RQ1 无监督机器学习如何在价格敏感事件之前检测出具有异常不连续交易模式的个体交易者？
• RQ2 基于网络的聚类能否识别出在内幕事件前后以同步、方向性方式行动的投资者群体，从而表明潜在的内部交易圈？
• RQ3 两种方法的结果重叠程度如何？这反映了内部交易行为的何种本质特征？
• RQ4 聚类与网络分析如何结合以提升市场滥用检测能力，超越个体层面的分析？
• RQ5 这些方法在内部交易调查的初始警报与评估阶段，对监管机构可发挥何种作用？

主要发现

• k-means方法在意大利并购要约事件前后识别出303名不连续交易者——其中237名为强不连续，66名为弱不连续。
• SVN Bonferroni方法检测到1,662名处于高方向性聚类（≥0.9）的交易者，表明存在协调行为。
• 仅有4名交易者同时出现在两种方法中：两名家庭户与两家法人实体，表明重叠程度极低，检测结果具有互补性。
• 两个重叠的法人实体构成一个由两名高度同步交易者组成的微型聚类，方向性分别为1与0.81，预期收益分别为277,625欧元与241,132欧元。
• 两个重叠的家庭户具有强烈的方向性（1与0.99）及高额预期收益（1,380欧元与95,619欧元），表明其行为风险极高。
• 两种方法间重叠程度低，证实其互补性，因它们分别检测出不同类型的内部交易活动——个体不连续行为与群体合谋行为。