QUADERNO FINTECH: “A MACHINE LEARNING APPROACH TOSUPPORT DECISION IN INSIDER TRADING DETECTION”

Pubblicato nella collana Consob dei Quaderni FinTech lo studio riguardante due metodi di intelligenza artificiale basati su unsupervised machine learning idonei a supportare l’attività di vigilanza volta a identificare potenziali casi di insider trading.

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 e 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’analisi dell’evoluzione nel tempo della posizione assunta da ciascun investitore, l’analisi distingue i soggetti che, in prossimità di un evento price sentisitive, 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 ed 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 ad un evento price sensitive.