A machine learning approach to support decision in insider trading detection

Metodi sperimentali di machine learning per supportare le decisioni nella detection degli abusi di mercato

Consob - Scuola Normale Superiore di Pisa

Quaderno FinTech n. 11 - novembre 2022 [formato PDF] 
 

Sintesi del lavoro

L’identificazione di potenziali casi di abuso di mercato è un’attività complessa e impegnativa a causa dell’enorme volume di dati da trattare e della molteplicità di fattori da prendere in considerazione nella valutazione della condotta operativa di ciascun investitore. L’obiettivo dell’analisi è quello di valutare l’eventuale continuità/discontinuità della condotta e la sua magnitudo, in termini assoluti e relativi. Lo studio, sviluppato su data set anonimi, descrive le caratteristiche di due proof of concept che, impiegando metodi di artificial intelligence di tipo unsupervised machine learning, potrebbero utilmente supportare, una volta ultimata la sperimentazione dei prototipi, le analisi preliminari per l’individuazione di soggetti sospetti di condotte di insider trading, cui potrà seguire l’attività di indagine volta a raccogliere ulteriori elementi utili per ipotizzare singole fattispecie di abuso.
Il primo modello utilizza un metodo di clustering analysis. Questo metodo consente di identificare quei gruppi di investitori la cui attività di trading in prossimità di un evento price sensitive risulta non solo svolta in direzione premiante, ma anche caratterizzata da discontinuità operativa sia rispetto alla precedente storia di trading sia rispetto all’operatività tipica del gruppo di appartenenza. In particolare, la clustering analysis elabora in primo luogo il modello di trading di ciascun investitore sulla base di selezionati parametri quantitativi (saldo netto in acquisto e vendita, concentrazione di trading ed esposizione). Elaborando tali parametri, la metodologia, denominata k-means clustering, identifica gruppi omogenei di investitori con riferimento a uno specifico orizzonte temporale. Infine, attraverso l’esame dell’evoluzione nel tempo della posizione assunta da ciascun investitore, l’analisi distingue i soggetti che, in prossimità di un evento price sensitive, risultano aver modificato il loro comportamento di trading (cc.dd. investitori discontinui).
Il secondo modello mira a identificare piccoli gruppi di investitori che agiscono in direzionalità premiante e in modo sincronizzato in prossimità di un evento price sensitive (cc.dd. insider ring). La metodologia utilizzata, denominata Statistically Validated Networks - previa caratterizzazione dell’attività di trading di ogni investitore in tre possibili stati (buying, selling, buying-selling) - costruisce una rete di investitori caratterizzati da un’attività sincrona in termini di stati e di tempistica di trading. Partendo da una rete di investitori statisticamente validata vengono individuati gruppi omogenei di soggetti con attività simile che hanno operato in direzionalità premiante rispetto a un evento price sensitive.

Autori
Il presente lavoro, frutto della collaborazione tra la Consob e la Scuola Normale Superiore di Pisa, è stato curato da:
- Piero Mazzarisi - SNS Pisa, Dipartimento di Economia Politica e Statistica, Università di Siena  (piero.mazzarisi@sns.it);
- Adele Ravagnani - SNS Pisa (adele.ravagnani@sns.it);
- Paola Deriu - Consob, Divisione Mercati (p.deriu@consob.it);
- Fabrizio Lillo - SNS Pisa, Dipartimento di Matematica, Università di Bologna (fabrizio.lillo@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: insider trading, market abuse, unsupervised learning, statistically validated networks