همبستگی مقاومت به درجه رفتار تجارت غیر عادی را نشان می دهد

دستکاری مسئله مهمی برای بورس های توسعه یافته و در حال ظهور است. تلاش های زیادی برای تشخیص دستکاری در بورس سهام انجام شده است. با این حال ، شناسایی معامله گران کلاهبرداری ، به ویژه هنگامی که آنها با یکدیگر تبانی می کنند ، هنوز یک مشکل باز است. در این مقاله ، ما بر مشکل شناسایی معامله گران غیر عادی با استفاده از داده های معامله هشت سهام دستکاری شده و چهل و چهار سهام غیر دستکاری شده در طی یک دوره یک ساله تمرکز می کنیم. با تجزیه و تحلیل شبکه های معاملاتی سهام ، می فهمیم که شبکه های معاملاتی از سهام دستکاری شده همبستگی قابل توجهی با قدرت بالاتر نسبت به شبکه های معاملاتی سهام های غیر سازگار و شبکه های معاملاتی تصادفی دارند. ما در ادامه روشی را برای تشخیص معامله گران غیر عادی سهام دستکاری شده بر اساس تجزیه و تحلیل اهمیت آماری از همبستگی درجه مقاومت پیشنهاد می کنیم. نتایج تجربی نشان می دهد که روش ما در تمایز سهام دستکاری شده از موارد غیر دستکاری شده مؤثر است. روش ما از روش سنتی آستانه وزن در شناسایی معامله گران غیر عادی در سهام دستکاری شده بهتر است. مهمتر از همه ، روش ما دشوار است که توسط بازرگانان تبانی فریب خوردیم.

استناد: Sun X-Q ، Shen H-W ، Cheng X-Q ، Wang Z-Y (2012) همبستگی درجه قدرت رفتار تجارت غیر عادی را نشان می دهد. PLOS ONE 7 (10): E45598. https://doi.org/10. 1371/joual. pone. 0045598

ویراستار: رودریگو Huerta-Quintanilla ، Cinvestav-Merida ، مکزیک

دریافت: 30 ژوئن 2012 ؛پذیرفته شده: 23 اوت 2012 ؛منتشر شده: 17 اکتبر 2012

کپی رایت: © Sun et al. این یک مقاله دسترسی آزاد است که تحت شرایط مجوز انتساب Creative Commons توزیع شده است ، که امکان استفاده ، توزیع و تولید مثل بدون محدودیت در هر رسانه را فراهم می کند ، مشروط بر اینکه نویسنده و منبع اصلی اعتبار داشته باشند.

بودجه: این کار توسط بنیاد ملی علوم طبیعی چین تحت شماره کمک مالی 60933005 ، 61202215 و برنامه ملی تحقیقات اساسی چین (برنامه 973) تحت شماره کمک هزینه 2012CB316303 تأمین شد. این کار همچنین تا حدودی توسط بنیاد علوم طبیعی پکن تحت شماره کمک مالی 4122077 تأمین شد. سرمایه گذاران هیچ نقشی در طراحی مطالعه ، جمع آوری داده ها و تجزیه و تحلیل ، تصمیم به انتشار یا تهیه نسخه خطی نداشتند.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقابتی وجود ندارد.

معرفی

بورس اوراق بهادار مکانی را برای جمع آوری پول در اختیار شرکت ها قرار می دهد و به سرمایه گذاران اجازه می دهد تا سهام خود را به راحتی تجارت کنند. به طور کلی ، قیمت سهام نشان دهنده قضاوت مشترک به ارزش سهام است و در صورت عدم تداخل ، با عرضه و تقاضای سهام تعیین می شود. با این حال ، قیمت سهام می تواند با اطلاعات فریبنده و معاملات کلاهبرداری دستکاری شود. دستکاری در قیمت سهام بر اعتماد به نفس سرمایه گذاران تأثیر می گذارد ، نظم بازار را مختل می کند و برای توسعه بازار سهام مضر است. بنابراین ، دستکاری مسئله مهمی برای هر دو بازار سهام توسعه یافته و در حال ظهور است.

کار پیشگام دستکاری قیمت سهام ، دستکاری ها را به سه نوع طبقه بندی کرد: دستکاری مبتنی بر عمل ، دستکاری مبتنی بر اطلاعات و دستکاری مبتنی بر تجارت [1] ، [2]. مطالعات اولیه عمدتاً در مورد دستکاری مبتنی بر عمل و اطلاعات ، مانند معاملات خودی [3] ، [4] بررسی شده است. علایق تحقیقاتی اخیر با تمرکز بر دستکاری مبتنی بر تجارت ، که در بازارهای فعلی سهام بیشتر است. Güray Küçükkocaoğlu دستکاری قیمت بسته در بورس استانبول را بررسی کرد [5]. Aggarwal و WU مدلی را برای توضیح دستکاری مبتنی بر تجارت تهیه کردند و مدل را با استفاده از داده های بازارهای سهام ایالات متحده آزمایش کردند [6]. سان و همکاران. خصوصیات آماری فعالیت معاملاتی را مورد بررسی قرار داده و به تفاوت بین سهام غیرنه شده و سهام دستکاری شده اشاره کرده است [7].

اخیراً ، تشخیص دستکاری توجه تحقیقات زیادی را به خود جلب کرده است. بیشتر رویکردها چارچوب یادگیری تحت نظارت را اتخاذ کرده اند که در آن مدل های تشخیص با استفاده از معاملات که با دقت به عنوان موارد غیر عادی یا عادی مورد قضاوت قرار گرفته اند ، آموزش داده می شوند. Palshikar و Bahulkar تلاش کردند تا الگوی دستکاری را با استفاده از منطق زمانی فازی شناسایی کنند [8]. öğüt و همکاران. دستکاری قیمت سهام با استفاده از شبکه های عصبی مصنوعی و دستگاه بردار پشتیبانی [9]. با این حال ، چارچوب یادگیری تحت نظارت به میزان و اندازه داده های آموزش بستگی دارد ، که دستیابی به آن در عمل بسیار دشوار است. از طرف دیگر ، چندین روش دیگر ، مانند تکنیک خوشه بندی و روش آماری ، برای تشخیص دستکاری استفاده شد. Palshikar و APTE تکنیک های خوشه بندی نمودار را برای تشخیص مجموعه تبانی نامزد کاربرد دارند [10]. سان و همکاران. با تجزیه و تحلیل شبکه های معاملاتی ، تشخیص دستکاری مبتنی بر تجارت در بازارهای چین را بررسی کرد [11].

اگرچه تلاش های زیادی برای تشخیص دستکاری انجام شده است ، اما هنوز هم برای شناسایی معامله گران کلاهبرداری ، به ویژه هنگامی که با یکدیگر تبانی می کنند ، یک مشکل باز است. در دستکاری مبتنی بر تجارت ، گروهی از بازرگانان تبانی با هم عمل می کنند تا تقاضای مصنوعی برای سهام ایجاد کنند و سرمایه گذاران دیگر را برای خرید سهام جذب می کنند. به این ترتیب ، گروه از معامله گران می توانند با فروش سهام خود با افزایش قیمت سهام به اندازه کافی سود کسب کنند. دستکاری از بازرگانان تبانی غالباً در بورس سهام در حال ظهور مانند بازار سهام چین ، که در آن یک معامله گر واحد می تواند هزاران حساب را کنترل کند ، به نظر می رسد. علاوه بر این ، چنین نوع دستکاری معمولاً برای مدت زمان طولانی طول می کشد. این یک چالش بزرگ برای سیستم های نظارتی مبادله است ، که فقط داده های معامله کوتاه مدت را در مدت زمان محدود تجزیه و تحلیل می کنند.

در این مقاله ، ما بر مشکل شناسایی معامله گران غیر عادی با استفاده از داده های معامله تمرکز می کنیم. برای هر سهام ، ما یک شبکه معاملاتی سهام ایجاد می کنیم که فرکانس معامله را در بین معامله گران نشان می دهد. با تجزیه و تحلیل همبستگی بین درجه و استحکام گره ها در شبکه تجارت سهام ، می فهمیم که سهام غیر تنظیم شده تقریباً به طور یکسان با همتایان تصادفی خود رفتار می کنند در حالی که سهام دستکاری شده بسیار متفاوت عمل می کند. با انگیزه از این یافته ، ما شبکه تصادفی را به عنوان مدل تهی می گیریم و سپس با بررسی اهمیت آماری نسبت قدرت به درجه ، معامله گران غیر عادی را شناسایی می کنیم. ما روش خود را بر روی 44 سهام غیرنظم شده و 8 سهام دستکاری شده از بازار سهام چین آزمایش می کنیم. نتایج نشان می دهد که اثربخشی روش ما در تمایز سهام دستکاری شده از موارد غیر دستکاری شده است. علاوه بر این ، روش ما از روش سنتی آستانه وزن در شناسایی معامله گران غیر عادی در سهام دستکاری شده بهتر است.

نتایج

شبکه تجارت سهام

ارتقاء با موفقیت تئوری شبکه در بسیاری از زمینه های بین رشته ای [12] - [16] ، از شبکه به طور فزاینده ای برای بررسی سیستم های مالی استفاده شده است. به عنوان مثال ، توجه زیادی به تحقیق در مورد بازارهای سهام از منظر شبکه های پیچیده انجام شده است [17] - [25]. در سالهای اخیر ، با افزایش در دسترس بودن داده های معامله به محققان ، شبکه تجارت سهام به عنوان ابزاری مناسب برای توصیف روابط تجاری بین معامله گران در بازارهای سهام گرفته می شود. شبیه به شبکه های پیچیده از سایر زمینه ها ، شبکه تجارت سهام همچنین دارای توزیع درجه قدرت قانون ، توزیع قدرت قانون قدرت و توزیع وزن قانون قدرت است [11] ، [26].

قبل از ادامه کار ، ما ابتدا دو نوع شبکه معاملاتی سهام را به طور گسترده استفاده می کنیم ، یعنی شبکه حجم معاملات و شبکه زمان معاملات. گره ها در دو نوع شبکه تجارت سهام با معامله گران درگیر در معاملات سهام مطابقت دارند. Edge دو معامله گر را که در یک معامله ظاهر می شوند ، متصل می کند. با این حال ، وزن لبه برای دو نوع شبکه تجاری دارای معانی جسمی متفاوتی است. برای شبکه های حجم معاملات ، وزن En Edge نشانگر حجم معاملات بین معامله گران است. برای شبکه Trading Times ، وزن Edge تعداد دفعاتی را که دو معامله گر در همان معامله ظاهر می شوند ، توصیف می کند. در این مقاله ، ما به شبکه Trading Times توجه می کنیم و از این پس از شبکه معاملاتی برای استفاده از شبکه Trading Times برای راحتی استفاده می کنیم. علاوه بر این ، ما از شبکه معاملاتی روزانه برای مراجعه به شبکه معاملاتی ساخته شده با توجه به معاملات در یک روز معامله استفاده می کنیم. بر این اساس ، ما از شبکه معاملاتی سالانه برای مراجعه به شبکه معاملاتی ساخته شده با توجه به معاملات در یک سال کامل استفاده می کنیم.

به طور کلی ، ویژگی های شبکه معاملاتی به قوانین معاملاتی که توسط بورس اوراق بهادار تنظیم شده است ، بستگی زیادی دارد. بنابراین ، ما همچنین به طور خلاصه قوانین معاملاتی را در بورس سهام معرفی می کنیم. در بورس سهام ، یک معامله گر وقتی می خواهد سهام بخرد و بفروشد ، پیشنهادات پیشنهادات/درخواست را به سیستم تجارت الکترونیکی ارسال می کند. در سیستم معاملاتی ، لیست سفارشات مناقصه به ترتیب نزولی قیمت طبقه بندی می شود و لیست سفارشات ASK به ترتیب صعودی قیمت طبقه بندی می شود. برای هر یک از دو لیست سفارش ، دو سفارش با همان قیمت با توجه به زمان ارسال آنها طبقه بندی می شوند. سیستم معاملاتی با سفارش پیشنهاد و سفارش درخواست از بالای این دو لیست مطابقت دارد. هنگامی که یک سفارش پیشنهاد با یک دستور سؤال مطابقت داشته باشد ، معامله ای انجام می شود. اگر این دو دستور همسان همان حجم را نداشته باشند ، قسمت ناشناخته سفارش با حجم بیشتر به عنوان سفارش جدیدی که در لیست مربوطه به آن اضافه شده است ، گرفته می شود. به عنوان نمونه ، شکل 1 تصویری از قانون تجارت در بورس سهام را ارائه می دهد.