Con la pubblicazione del Quaderno Fintech Dimensionality reduction techniques to support insider trading detection, si espande la ricerca avviata dalla Consob  in collaborazione con la Scuola Normale Superiore di Pisa sulle soluzioni che le nuove tecnologie, basate su applicazioni di IA, possono offrire a supporto della vigilanza sui mercati. Nello specifico, lo studio - basato su un data set anonimizzato - affronta il problema di identificazione di potenziali casi di insider trading e propone un approccio metodologico diverso rispetto ai precedenti studi che hanno fatto uso di tecniche di unsupervised machine learning: in questo caso, infatti, viene applicata la tecnica di decomposizione e successiva ricostruzione di una serie temporale di dati attraverso l'analisi delle "componenti principali" (PCA, Principal Component Analysis) e l'uso di autoencoders, in relazione alle posizioni assunte da gruppi di investitori in un determinato titolo azionario in prossimità di un evento price sensitive.

In termini intuitivi, la logica che viene seguita nella procedura di identificazione di comportamenti anomali da parte degli investitori considera la posizione media ricostruita attraverso la tecnica PCA come rappresentativa di un'operatività normale. Qualsiasi scostamento nell'operatività di un singolo investitore dal comportamento medio ricostruito nel periodo di osservazione (che sia superiore ad una certa soglia di sensitività) viene segnalato dall'algoritmo come anomalo e potenzialmente meritevole di approfondimenti ulteriori attraverso tecniche di indagine "tradizionali". Un risultato particolarmente significativo di questo studio è la soddisfacente convergenza dei risultati ottenuti con quelli derivati dall'applicazione delle tecniche di unsupervised machine learning descritte nel precedente paper "A machine learning approach to support decision in insider trading detection", anch'esso frutto della collaborazione tra l'Istituto e la prestigiosa SNS Pisa.