論文の概要: A machine learning approach to support decision in insider trading detection

• arxiv url: http://arxiv.org/abs/2212.05912v1
• Date: Tue, 6 Dec 2022 12:06:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-18 18:49:37.981230
• Title: A machine learning approach to support decision in insider trading detection
• Title（参考訳）: インサイダー取引検出における機械学習による意思決定支援
• Authors: Piero Mazzarisi, Adele Ravagnani, Paola Deriu, Fabrizio Lillo, Francesca Medda, Antonio Russo
• Abstract要約: 市場監視を支援するための2つの補完的教師なし機械学習手法を提案する。 1つはクラスタリングを使用して、買収入札のような価格に敏感なイベントの近傍で、投資家の取引活動の不連続を識別する。 第2の教師なしのアプローチは、価格に敏感な出来事に忠実に行動する投資家の(小さな)グループを特定することを目的としており、インサイダーリングの可能性を示している。
• 参考スコア（独自算出の注目度）: 1.304892050913381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• 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.
• Abstract（参考訳）: 投資家のトレーディング活動のデータから市場の悪用活動を特定することは、データ量と低信号対ノイズ比の両方において非常に困難である。 本稿では、市場監視を支援するための2つの補完的教師なし機械学習手法を提案する。 1つ目は、買収入札のような価格に敏感なイベントの近傍で、自身の過去の取引履歴や仲間の現在の取引活動に関する投資家の取引活動の不連続を特定するためにクラスタリングを使用する。 第2の非監督的アプローチは、価格センシティブなイベントに対して、潜在的インサイダーリング(すなわち、価格センシティブなイベントの前の期間に、強い方向性のトレーダーが報酬のポジションで強力な取引を行うグループ)を指し示す(小さな)投資家のグループを特定することを目的としている。 ケーススタディとして、当社の手法を、買収入札に関するイタリアの株式の解決されたデータに応用する。

関連論文リスト

• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Language Models Can Reduce Asymmetry in Information Markets [100.38786498942702]
  我々は、言語モデルを利用した知的エージェントが外部参加者に代わって情報を売買する、オープンソースのシミュレートされたデジタルマーケットプレースを紹介した。 このマーケットプレースを実現する中心的なメカニズムはエージェントの二重機能であり、特権情報の品質を評価する能力を持つと同時に、忘れる能力も備えている。 適切に行動するためには、エージェントは合理的な判断をし、生成されたサブクエリを通じて市場を戦略的に探索し、購入した情報から回答を合成する必要がある。
  論文  参考訳（メタデータ） (2024-03-21T14:48:37Z)
• Identifying key players in dark web marketplaces [58.720142291102135]
  この論文は、暗黒市場に関連するBitcoin取引ネットワークのキープレーヤーを特定することを目的としている。 取引量の大部分は、エリート市場参加者の小さなグループに集中していることを示す。 ダークウェブのマーケットプレースにおけるキープレーヤーの行動を理解することは、違法行為を効果的に破壊するために重要であることを示唆している。
  論文  参考訳（メタデータ） (2023-06-15T20:30:43Z)
• Mastering Pair Trading with Risk-Aware Recurrent Reinforcement Learning [10.566829415146426]
  CREDITは、人間専門家と同様、ペア取引における長期的な取引機会を活用することを学習できるリスク対応エージェントである。 CREDITは、状態に埋め込まれた時間的相関を完全に考慮する時間的注意機構とともに、双方向GRUを初めて適用した。 これは当社のエージェントが、高いリターンと損失の可能性のあるリスクの高いトレーディングを避けるために、堅牢なトレーディング優先でペアトレーディングをマスターするのに役立ちます。
  論文  参考訳（メタデータ） (2023-04-01T18:12:37Z)
• Protecting Retail Investors from Order Book Spoofing using a GRU-based Detection Model [0.0]
  本稿では,不正行為を検知し,詐欺未遂を投資家に知らせる手法を提案する。 我々のフレームワークは、高度に拡張可能なGRU(Gated Recurrent Unit)モデルに基づいています。
  論文  参考訳（メタデータ） (2021-10-08T14:23:41Z)
• Trade When Opportunity Comes: Price Movement Forecasting via Locality-Aware Attention and Iterative Refinement Labeling [11.430440350359993]
  2つの主成分を持つ価格変動予測フレームワークであるLARAを提案する。 LA-Attentionはマスク付きアテンションスキームを通じて潜在的に有益なサンプルを抽出する。 RA-Labelingは、潜在的に利益の出るサンプルのうるさいラベルを洗練させる。 LARAは、Qlibの量的投資プラットフォーム上で、いくつかの機械学習ベースの手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2021-07-26T05:52:42Z)
• REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
  既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。 第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。 第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
  論文  参考訳（メタデータ） (2021-02-15T07:22:09Z)
• Adversarial trading [91.3755431537592]
  取引環境では敵のサンプルを実装でき、特定の市場参加者に悪影響を及ぼすことを示す。 これは、取引または規制の観点から、金融市場にはるかに影響する可能性があります。
  論文  参考訳（メタデータ） (2020-12-16T16:08:22Z)
• Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
  本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。 入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
  論文  参考訳（メタデータ） (2020-10-19T06:28:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。