Dimensionality reduction techniques to support insider trading detection

Tecniche per la riduzione dimensionale dei dati a supporto del rilevamento dei casi di insider trading

Consob - Scuola Normale Superiore di Pisa

Quaderno FinTech n. 12 - febbraio 2024 [formato PDF] 
 

Sintesi del lavoro

L'identificazione degli abusi di mercato è un'attività estremamente complessa che ri-chiede l'analisi di insiemi di dati grandi e complessi. Lo studio propone un metodo di apprendi-mento automatico non supervisionato per il rilevamento di anomalie contestuali, che fornisce un supporto alla vigilanza sui mercati finalizzata all'identificazione di potenziali attività di insider trading. Nello specifico, lo studio - basato su un data set anonimizzato - affronta il problema di identificazione di potenziali casi di insider trading e propone un metodo 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. L'unico input del metodo è la posizione di trading di ciascun investitore attivo sull'asset per il quale si è verificato un evento price sensitive (PSE). Dopo aver determinato gli errori di ricostruzione relativi ai profili di profili di trading, vengono imposte diverse condizioni al fine di identificare gli investitori il cui comportamento potrebbe essere sospetto di insider trading in relazione al PSE. In termini intuiti-vi, 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 risulta-to 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 Scuola Normale Supe-riore di Pisa.

Autori
Il presente lavoro, frutto della collaborazione tra la Consob e la Scuola Normale Superiore di Pisa, è stato curato da:
- Adele Ravagnani - SNS Pisa (adele.ravagnani@sns.it);
- Fabrizio Lillo - SNS Pisa, Dipartimento di Matematica, Università di Bologna (fabrizio.lillo@sns.it);
- Paola Deriu - Consob, Divisione Mercati (p.deriu@consob.it);
- Piero Mazzarisi - SNS Pisa, Dipartimento di Economia Politica e Statistica, Università di Siena  (piero.mazzarisi@sns.it);
- Francesca Medda - Consob, Direzione Generale (f.medda@consob.it);
- Antonio Russo - Consob, Divisione Mercati (a.russo@consob.it).

Eventuali errori e imprecisioni sono imputabili esclusivamente agli autori. Le opinioni espresse nel lavoro sono attribuibili esclusivamente agli autori e non impegnano in alcun modo la responsabilità dell'Istituto. Nel citare il presente lavoro, non è, pertanto, corretto attribuire le argomentazioni ivi espresse alla Consob o ai suoi Vertici.

Keywords: dimensionality reduction, principal component analysis, autoencoder, insider trading, market abuse, unsupervised learning