論文の概要: A Clustering-Based Framework for Identifying Suspicious Trading Patterns in Capital Market
- arxiv url: http://arxiv.org/abs/2607.04184v1
- Date: Sun, 05 Jul 2026 09:02:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-07 22:26:29.847557
- Title: A Clustering-Based Framework for Identifying Suspicious Trading Patterns in Capital Market
- Title（参考訳）: 資本市場における顕著な取引パターンの識別のためのクラスタリングに基づくフレームワーク
- Abstract要約: 市場操作は、迅速な利益を得るために株価を操作する疑わしい慣行である。
我々は,K-Means++クラスタリングから始まる不正検出ツールキットを実装し,この問題に対処する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Market manipulation is the dubious practice of manipulating stock prices in order to make a quick profit, which truly degrades confidence on trading platforms. We implemented an unsupervised fraud-detection toolkit that begins with K-Means++ clustering to address this issue. A dataset of roughly one million financial transactions from 2012 to 2024 is used. In order to identify fraudulent trades and categorize them using market practice heuristic thresholds, the study suggests a clustering-based pipeline. The method highlights 2.02% of trades as suspicious where 51.10% clearly indicate spoofing, 0.10% indicate pump and dump, 0.55% indicate insider trading, 1.43% indicate a fake breakout, and 46.83% are unclassified. Despite the lack of ground truth, the model's performance is confirmed by a Silhouette Score of 0.561.
- Abstract（参考訳）: 市場操作は、迅速な利益を得るために株価を操作するという疑わしい慣行であり、取引プラットフォームへの信頼を本当に損なう。
我々は、K-Means++クラスタリングから始まりこの問題に対処する、教師なしの不正検出ツールキットを実装した。
2012年から2024年までの約100万の金融取引のデータセットが使用されている。
不正取引を識別し、市場慣行のヒューリスティック・しきい値を用いて分類するために、この研究はクラスタリングベースのパイプラインを提案する。
この方法は、51.10%がスプーフィング、0.10%がポンプとダンプ、0.55%がインサイダー取引、1.43%が偽のブレイクアウト、46.83%が未分類である、不審な取引の2.02%を強調している。
根本的真実の欠如にもかかわらず、このモデルの性能は0.561のシルエットスコアで確認されている。
関連論文リスト
- StakeBench: Evaluating Language Understanding Grounded in Market Commitment [5.902169076249955]
StakeBenchは、市場のコミットメントに根ざした言語理解のための評価フレームワークである。
StakeBenchは2,261の市場から560,876件のコメントを入手した。
4つの診断タスクは、モデルが市場のコミットメントを検出し、明らかにされた側面を特定し、将来のアクションを予測し、集合的なオッズ予測を実行するかどうかをテストする。
論文 参考訳（メタデータ） (2026-05-25T17:38:30Z) - Per-Market Information Leakage and Order-Flow Skill: Two Methodological Lenses on Informed Trading in Decentralized Prediction Markets [0.0]
2026年4月、分散型の予測市場に関する情報取引の学術研究において、顕著な方法論的収束が見られた。
MittsとOfirは210,000以上のウォレットマーケットペアに複合スクリーンを適用し、Gomez-Cram et al. (2026)はPolymarketの完全なトランザクション履歴にイベントレベルの署名ランダム化テストを適用した。
Nechepurenko (2026) は、情報漏洩スコア (ILS) フレームワークを開発した。
論文 参考訳（メタデータ） (2026-05-04T07:22:20Z) - Can Blindfolded LLMs Still Trade? An Anonymization-First Framework for Portfolio Optimization [1.0957528713294875]
LLMのトレーディングエージェントは、記憶されたティッカー・アソシエーションの活用よりも、市場のダイナミクスの理解を実証しなければならない。
我々は,チッカー固有の事前トレーニングによる記憶バイアスと,欠陥のあるバックテストによる生存バイアスの2つの源泉に対処する。
我々のアプローチは、エージェントを盲目化し、すべての識別子を匿名化し、意味のあるシグナルが持続するかどうかを検証することである。
論文 参考訳（メタデータ） (2026-03-18T13:09:11Z) - TraderBench: How Robust Are AI Agents in Adversarial Capital Markets? [8.661756660747042]
TraderBenchは金融のAIエージェントを評価するためのベンチマークである。
専門家が検証した静的タスク(知識検索、分析的推論)と敵の取引シミュレーションを組み合わせる。
2つの新しいトラック:4つのプログレッシブ・マーケット・マニピュレーション・トランスフォーメーションによる暗号取引、オプションデリバティブはP&Lの正確性、ギリシャ人、リスク管理である。
論文 参考訳（メタデータ） (2026-02-27T20:06:28Z) - Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis [0.0]
本研究は,暗号通貨の物語が経験的に観察された市場因子構造と一致するかどうかを考察する。
我々は10カテゴリにわたる38のホワイトペーパーのNLP分類と時間ごとの市場データのセマンティック分解を組み合わせたパイプラインを構築した。
無効な結果は、物語経済学に影響を及ぼす市場因子構造を有意に予測しないことを示す。
論文 参考訳（メタデータ） (2026-01-28T07:50:40Z) - TradeTrap: Are LLM-based Trading Agents Truly Reliable and Faithful? [44.01987401527335]
TradeTrapは、適応的および手続き的自律的トレーディングエージェントの両方を体系的にストレステストするための統一的な評価フレームワークである。
市場インテリジェンス、戦略定式化、ポートフォリオと台帳処理、取引実行の4つの中心的コンポーネントをターゲットにしている。
実験により、単一コンポーネントでの小さな摂動がエージェント決定ループを伝播し、極端な濃度、暴走露光、大きなポートフォリオの減少を引き起こすことが示されている。
論文 参考訳（メタデータ） (2025-12-01T23:06:42Z) - Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。
展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。
従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。
楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
論文 参考訳（メタデータ） (2025-10-22T18:22:25Z) - When Agents Trade: Live Multi-Market Trading Benchmark for LLM Agents [74.55061622246824]
Agent Market Arena (AMA)は、LLM(Large Language Model)ベースのトレーディングエージェントを評価するための、初めてのリアルタイムベンチマークである。
AMAは、検証済みのトレーディングデータ、専門家チェックされたニュース、および統一されたトレーディングフレームワーク内に多様なエージェントアーキテクチャを統合する。
GPT-4o、GPT-4.1、Claude-3.5-haiku、Claude-sonnet-4、Gemini-2.0-flashにまたがる薬剤を評価する。
論文 参考訳（メタデータ） (2025-10-13T17:54:09Z) - Predicting Stock Prices using Permutation Decision Trees and Strategic Trailing [1.529342790344802]
NIFTY50指数の上位50株について,5分間のキャンドルスティックを用いた高周波データに着目した。
我々は、短期市場の変動に乗じて、より安値で株を買い、より高価格で売ることを目的としたトレーディング戦略を実践する。
論文 参考訳（メタデータ） (2025-04-17T10:42:38Z) - 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) - A Game of NFTs: Characterizing NFT Wash Trading in the Ethereum Blockchain [53.8917088220974]
非Fungible Token(NFT)市場は2021年に爆発的に成長し、2022年1月には月間貿易額が60億ドルに達した。
ウォッシュトレーディングの可能性に関する懸念が浮かび上がっており、あるパーティがNFTを取引してそのボリュームを人為的に膨らませる市場操作の形式である。
洗濯物取引は全NFTコレクションの5.66%に影響し、総生産量は3,406,110,774ドルである。
論文 参考訳（メタデータ） (2022-12-02T15:03:35Z) - A Sentiment Analysis Approach to the Prediction of Market Volatility [62.997667081978825]
金融ニュースとツイートから抽出された感情とFTSE100の動きの関係を調べました。
ニュース見出しから得られた感情は、市場のリターンを予測するシグナルとして使われる可能性があるが、ボラティリティには当てはまらない。
我々は,新たな情報の到着に応じて,市場の変動を予測するための正確な分類器を開発した。
論文 参考訳（メタデータ） (2020-12-10T01:15:48Z)
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。