کشف تقلب در بازار بورس اوراق بهادار با استفاده از کاربرد نامساوی چبیشف

یکی از راه ‌های مشارکت افراد در توسعه اقتصادی کشور، سرمایه‌ گذاری در بازار سرمایه و به‌خصوص، بورس اوراق بهادار است. به این منظور، بازارهای اوراق بهادار باید مورد اعتماد مردم و فعالان اقتصادی باشند. شفافیت و کارایی بازار می‌ تواند حقوق و منافع سرمایه‌ گذاران را حمایت کند و باعث رونق بازار شود. در این میان، بعضی از افراد با توجه به موقعیت خود از اطلاعات نهانی مربوط به بازار بورس اوراق بهادار سوء استفاده می‌ کنند و باعث بی‌ اعتمادی افراد به بازار سرمایه می‌ شود؛ از‌این‌رو در این مقاله، با استفاده از کاربرد نامساوی چبیشف، روشی برای شناسایی افرادی که از اطلاعات نهانی، استفاده شخصی کرده و در مدت کوتاهی سود کلانی به‌ دست آورد‌ه‌ اند، ارائه شده است. به‌منظور استفاده از این روش دو فیلتر در نظر گرفته شده است، به‌طوری‌که فیلتر نخست تراکنش‌ های بزرگ را شناسایی می‌کند و فیلتر دوم، افرادی که بیشترین سود حاصل از خرید و فروش سهام در مدت زمان اندک (سه روز)، به‌دست آورده‌ ا‌ند؛ در‌حالی‌که دست‌کم یک تراکنش بزرگ در این حد فاصل زمانی رخ داده باشد، شناسایی می ‌کند؛ سپس روش پیشنهادی، بر روی دو دسته از داده ‌های واقعی بازار بورس اعمال شده است. با تغییر ضرایب فیلترها، می‌ توان معیارهای مورد نظر را تغییر داد.

Stock Market Fraud Detection, A Probabilistic Approach

In order to have a fair market condition, it is crucial that regulators continuously monitor the stock market for possible fraud and market manipulation. There are many types of fraudulent activities defined in this context. In our paper we will be focusing on front running . According to Association of Certified Fraud Examiners, front running is a form of insider information and thus is very difficult to detect. Front running is committed by brokerage firm employees when they are informed of a customer's large transaction request that could potentially change the price by a substantial amount. The fraudster then places his own order before that of the customer to enjoy the low price. Once the customer's order is placed and the prices are increased he will sell his shares and makes profit. Detecting front running requires not only statistical analysis, but also domain knowledge and filtering. For example, the authors learned from Tehran's Over The Counter (OTC) stock exchange officials that fraudsters may use coverup accounts to hide their identity. Or they could delay selling their shares to avoid suspicion. Before being able to present the case to a prosecutor, the analyst needs to determine whether predication exists. Only then, can he start testing and interpreting the collected data. Due to large volume of daily trades, the analyst needs to rely on computer algorithms to reduce the suspicious list. One way to do this is by assigning a risk score to each transaction. In our work we build two filters that determine the risk of each transaction based on the amount of statistical abnormality. We use the Chebyshev inequality to determine anomalous transactions. In the first phase we focus on detecting a large transaction that changes market price significantly. We then look at transactions around it to find people who made profit as a consequence of that large transaction. We tested our method on two different stocks the data for which was kindly provided to us by Tehran Exchange Market. The officials confirmed we were able to detect the fraudster.