Core Concepts
알고리즘 거래와 전자 시장의 확산으로 인해 공정하고 효율적인 시장을 유지하기 위해 불법적인 행위를 탐지하고 억제하는 것이 중요해졌다. 본 연구는 약한 감독 학습을 통해 주문장부 상태의 잠재적으로 의심스러운 시퀀스를 식별하는 방법을 제안한다.
Abstract
이 연구는 금융 시장 조작 탐지를 위한 프레임워크를 제안한다. 주요 내용은 다음과 같다:
레이블링 알고리즘을 사용하여 훈련 데이터셋을 생성하고, 이를 통해 약한 감독 모델을 학습하여 잠재적으로 의심스러운 주문장부 상태 시퀀스를 식별한다.
전문가의 평가를 통해 특정 식별된 주문장부 상태를 면밀히 검토한다. 전문가가 부족한 경우, 더 복잡한 알고리즘을 적용하여 식별된 의심스러운 주문장부 상태를 분석한다.
새로운 주문장부 상태 표현과 전문가가 레이블링한 표현 간의 유사도 검색을 수행하여 약한 학습기의 결과를 순위화한다.
초기 실험 결과에 따르면, 제안된 접근법은 주문장부 상태의 스푸핑 행위를 91%의 정확도로 예측할 수 있다.
Stats
주문장부 상태 데이터는 5개 종목(SPY, GOOG, IBM, VOD, ABEO)의 5개 거래소(NASDAQ, EDGX, BATS, EDGA, ARCA)에서 수집되었다.
주문장부 데이터는 최대 30단계까지 캡처되었다.
데이터셋에는 유동성이 높고 낮은 종목이 혼합되어 있다.
Quotes
"알고리즘 거래와 전자 시장의 확산으로 인해 공정하고 효율적인 시장을 유지하기 위해 불법적인 행위를 탐지하고 억제하는 것이 중요해졌다."
"본 연구는 약한 감독 학습을 통해 주문장부 상태의 잠재적으로 의심스러운 시퀀스를 식별하는 방법을 제안한다."