Piilotettujen ketjujen mallintaminen sisäpiirivihjeiden tunnistamiseksi osakemarkkinoilla

Kuvitellaan tilanne rahoitusmarkkinoilla, jossa sijoittajat jakavat keskenään tärkeää sisäpiiritietoa omissa sosiaalisissa verkostoissaan.

Vaikka rahoitusviranomaiset voivat tarkkailla sijoittajien kaupankäyntiä, on silti haastavaa tunnistaa, ketkä sijoittajat ovat saaneet ja hyödyntävät sisäpiiritietoa.

Nimitän tätä tilannetta piilotetuksi ketjuuntumisongelmaksi (hidden cascade problem), jossa toimijoiden todellisia tiloja ei voida havainnoida suoraan.

Tämänkaltaista ketjumallinnusta, jossa toimijoiden tiloja päätellään epäsuorien havaintojen perusteella, on käsitelty vain rajallisesti aiemmassa tutkimuskirjallisuudessa.

Tässä ehdotuksessa, “HiddenTipChains”, esitellään menetelmiä, jotka perustuvat topologiseen data-analyysiin, koneoppimiseen ja todennäköisyysmallinnukseen.

Tavoitteena on paljastaa piilotettua tiedonsiirtoa sijoittajien sosiaalisten yhteyksien kautta ja havaita sisäpiiritietoon perustuvaa epäilyttävää kaupankäyntiä.

Tämä tukee Euroopan komission tavoitteita rahoitusmarkkinoiden vakauden ja sijoittajansuojan edistämiseksi.

Laajemmassa kontekstissa kehitetyt menetelmät mahdollistavat piilotettujen ketjumallien analysoinnin tilanteissa, joissa toimijoiden todellisia tiloja ei voida havaita suoraan.

Odotan, että tulevassa tutkimuksessa näillä lähestymistavoilla voi olla sovelluksia piilotettujen ketjuuntumisongelmien ratkaisemisessa monilla eri aloilla, kuten epidemiologiassa, ilmastotieteessä ja tietoturvassa.

Projektin empiirinen osuus perustuu maailmanlaajuisesti ainutlaatuisiin ja poikkeuksellisen laajoihin aineistoihin, jotka tarjoavat täydellisen pääsyn sijoittajien koko markkinoiden kattavaan kaupankäyntihistoriaan kaikilla heidän käymillään arvopapereilla.

Lisäksi meillä on havaittavissa olevia sosiaalisia yhteyksiä sisäpiirisijoittajien välillä, mikä mahdollistaa sen seuraamisen, miten vihjeet tulevista tapahtumista leviävät tässä verkostossa.

Projektissa kehitettyjä menetelmiä testataan synteettisellä datalla laajojen Monte Carlo -simulaatioiden avulla.

Hanke edistää tietojenkäsittelytieteen tutkimusta kehittämällä tekniikoita piilotettujen ketjuuntumisongelmien ratkaisemiseen sekä kvantitatiivisen rahoituksen alaa tarjoamalla menetelmiä markkinoiden väärinkäytösten tunnistamiseen.