دوره 22، شماره 2 - ( 6-1404 )
جلد 22 شماره 2 صفحات 42-31 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shaeeri Z, Kazemitabar J, Haghverdi S. Stock Market Anomaly Detection Using Behavioral Analysis. JSDP 2025; 22 (2) : 2
URL: http://jsdp.rcisp.ac.ir/article-1-1203-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-1203-fa.html
شعیری زهرا، کاظمی تبار جواد، حق وردی سروش. تشخیص ناهنجاری در بازار سهام با استفاده از تحلیل رفتاری. پردازش علائم و داده‌ها. 1404; 22 (2) :31-42
دانشیار گروه مخابرات، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران
چکیده: (368 مشاهده)
یکی از روش‌های تقلب در بازار سهام، فرانت رانینگ است که در آن یک معامله‌گر، با علم (سفارشی) به یک سفارش بزرگ اقتصادی، به خریدوفروش سهام مبادرت می‌کند. در این مقاله، رویکردی برخط و بدون مربی، مبتنی بر تحلیل رفتاری، برای تشخیص ناهنجاری در داده بازار سهام پیشنهاد میشود که در تشخیص فرانت رانینگ موفق است. ابتدا برای هر کاربر پروفایلی حاوی ویژگی‌های رفتاری در خرید/فروش سهام ساخته میشود؛ سپس یک روش آماری پیشنهاد میشود که از آن برای محاسبه ریسک هر تراکنش جدید استفاده میشود. این عدد ریسک به میزان تغییرات رفتار کاربر از رفتار مورد انتظار او بستگی دارد. برای تشکیل تابع ریسک از مفهوم نسبت درست‌نمایی در تئوری تشخیص استفاده می‌کنیم. احتمال شرطی برای طبیعی یا ناهنجاربودن هر تراکنش جدید محاسبه میشود؛ سپس ریسک را به‌صورت نسبت این دو احتمال در مقیاس لگاریتمی تعریف می‌کنیم. در محاسبه ریسک از مفهوم بیز در تئوری احتمالات و درواقع قانون بیز استفاده می‌کنیم؛ همچنین فرض می‌کنیم ویژگی‌ها مستقل از یکدیگرند. در بخش شبیه‌سازی از داده خریدوفروش سهام شانزده ماه استفاده شده‌است. ویژگی‌های مربوط به مبالغ، ساعات انجام معامله، عجول‌بودن و معامله با یک معامله‌گر در خرید/فروش سهام در محاسبه ریسک مورد استفاده قرار گرفته‌اند. نتایج نشان می‌دهد که روش پیشنهادی در تشخیص فرانت رانینگ موفق عمل می‌کند.
شماره‌ی مقاله: 2
واژه‌های کلیدی: کشف تقلب بورس، پروفایل رفتاری، تحلیل داده، فرانت رانینگ، درست‌نمایی لگاریتمی، قانون بیز، آشکارسازی ناهنجاری.
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1399/10/22 | پذیرش: 1403/12/18 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
دریافت: 1399/10/22 | پذیرش: 1403/12/18 | انتشار: 1404/6/22 | انتشار الکترونیک: 1404/6/22
فهرست منابع
1. World Bank Open Data, 2023, Available: [Online] https://data.worldbank.org.
2. K. Golmohammadi, O. R. Zaiane, and D. Diaz, "Detecting stock market manipulation using supervised learning algorithms", International Conference on Data Science and Advanced Analytics (DSAA), IEEE, 2014. [DOI:10.1109/DSAA.2014.7058109]
3. Aksenov, A., Grebenchshikova, E., Fayzrakhmanov, R. "Front-running Model in the Stock Market", ieeexplore, 2020. [DOI:10.1109/SUMMA50634.2020.9280575]
4. V. Azevedo, Ch. Hoegner, "Enhancing stock market anomalies with machine learning", Quantitative finance and accounting, vol. 60, pp. 195-230, 2023 [DOI:10.1007/s11156-022-01099-z]
5. W. Hilal, S. A. Gadsden, and J. Yawney, "Financial Fraud: A Review of Anomaly Detection Techniques and Recent Advances", Expert systems with applications, Elsevier, vol.193, pp. 1-34, 2022. [DOI:10.1016/j.eswa.2021.116429]
6. C. Poutre, D. Chetelat, M. Morales, "Deep unsupervised anomaly detection in high-frequency markets", The journal of finance and data science, vol. 10, pp. 1-18, 2024. [DOI:10.1016/j.jfds.2024.100129]
7. D. Y. Chiu, J. Y. Zhou, and Zh. Ch. Wang, "Appling artificial immune algorithm to explore the seasonal effect in the stock market", International Conference on Software Intelligence and Applications, 2014.
8. Y. Cao, Y. Li, S. Coleman, A. Belareche, and T. M. McGinniti, "Hidden Markov model with abnormal states for detecting stock price manipulation", IEEE International Conference on Systems, Man, and Cybernetics, 2013. [DOI:10.1109/SMC.2013.514]
9. Y. Cao, Y. Li, S. Coleman, A. Belareche, T. M. McGinniti, "Adaptive hidden Markov model with anomaly states for price manipulation detection", IEEE Transactions on Neural Networks and learning systems, vol. 26, pp. 318-330, 2015. [DOI:10.1109/TNNLS.2014.2315042] [PMID]
10. Imperva's Web Application Firewall data sheet. Available: https://www.imperva.com/docs/TB_Dynamic_Profilin g.pdf.
11. LightCyber and Check Point Advanced Threat Protection solution brief. Available: https://www.checkpoint.com/download/downloads/products/solution-brief/SB_LightCyber.pdf.
12. HP Unifies Network Security Detection to Identify, Contain and Neutralize Patient Zero Infections. Available: http://www.hp.com/hpinfo/ newsroom/press_kits/2014/HPProtect2014/HPTippingPoint_Advisory.pdf.
13. Finding Advanced Threats Before They Strike: A Review of Damballa Failsafe Advanced Threat Protection and Containment. Available :http://www.sans.org/reading-room/whitepapers/analyst/finding-advanced-threats-strike-review-damballa-failsafe-advanced-threat-protecti-34705.
14. S. J. Kazemitabar, M. Shahbazzadeh, "Stock market fraud detection, a probabilistic approach", Signal and data processing, vol. 17, no. 6, 2020. [DOI:10.29252/jsdp.17.1.3]
14. کاظمی تبار، سیدجواد، شهباززاده، مجید، «کشف تقلب در بازار بورس اوراق بهادار با استفاده از کاربرد نامساوی چبیشف»، فصلنامة پردازش علائم و داده‌ها، دورة 17، شمارة 1، صص 3-14، 1399.
15. Y. Kim, S. Y. Sohn, "Stock fraud detection using peer group analysis", Expert Systems with Applications, pp. 8986-8992, 2012. [DOI:10.1016/j.eswa.2012.02.025]
16. B. Baesense, et al, "Fraud analytics using descriptive, predictive, and social network techniques", Wiley, 2015. [DOI:10.1002/9781119146841]
17. V. Goldwasser, "Stock market manipulation and short selling", Centre of corporate law and securities regulation, Faculty of law, The University of Melborn, 1999.
18. International Organization of Securities Commissions (IOSC), 2023, Available: https://www.iosco.org.
19. S. S. Huebner, "The Stock Marke", Kessinger Publishing, 2006.
20. A. Franklin, and D. Gale, "Stock-Price Manipulation", Review of FinancialStudies, vol. 5, pp. 503-529, 1992. [DOI:10.1093/rfs/5.3.503]
21. H. Hamedinia, R.Raei, S. Bajalan, S. Rouhani, "Analysis of Stock Market Manipulation using Generative Adversarial Nets and Denoising Auto-Encode Model", Advances in Mathematical Finance and Applications, 7 (1), pp. 133-151, 2021.
22. Z. Shaeiri, S. J. Kazemitabar, "Fast unsupervised autimobile insurance fraud detection based on spectral ranking of anomalies", International Journal of Engineering, vol. 33, no. 7, pp. 1240-1248, 2020. [DOI:10.5829/ije.2020.33.07a.10]
23. Z. Shaeiri, S. J. Kazemitabar, Sh. Bijani, M. Talebi, "Behavior-Based online anomaly detection for a nationwide short message service", Journal of AI and data mining, vol. 7, no. 2, pp. 239-247, 2019.
24. J. D. Kirkland et.al., "The NASD regulation advanced detection system (ASD)", AI Magazine, vol. 20, 1999.
25. H. Goldberg et.al., "The ANSD securities observation, news analysis and regulation systems (SONAR)", American Association for Artificial Intelligence (AAAI), 2003.
26. K. Golmohammadi, O. R. Zaiane, "Data mining applications for fraud detection in securities market", Intelligence and Security Informatics Conference (EISIC), 2012. [DOI:10.1109/EISIC.2012.51]
27. A. Kr, S. Yadav, and Marpe Sora, "Fraud Detection in Financial Statements using Text Mining Methods: A Review", IOP conference series, 2021.
28. Z. Yi, et.al, "Fraud detection in capital markets: A novel machine learning approach", Epert Systems with Applications, Elsevier, vol. 231, 2023. [DOI:10.1016/j.eswa.2023.120760]
29. S. Kim, J. Hong, Y. Lee, "A GANs-Based Approach for Stock Price Anomaly Detection and Investment Risk Management", Fourth ACM international conference on AI in finance, pp. 1-9, 2023. [DOI:10.1145/3604237.3626892]
30. J. Neyman, and E. S. Pearson, "On the problem of the most efficient tests of statistical hypotheses", Phil. Trans., pp. 694-706, 1993.
31. S. Lin, and D. J. Costello, "Error Control Coding (2nd Edition)", Pearson, 2014.
32. S. Viaene, G. Dedene, and R. Derig, "Auto claim fraud detection using Bayesian learning neural networks", Expert systems with applications, vol. 29, no. 3, pp. 653-666, 2005. [DOI:10.1016/j.eswa.2005.04.030]
33. S. Viaene, R. Derrig, and G. Dedene, "A case study of applying boosting naive bayes to claim fraud diagnosis", IEEE Transactions on Knowledge and Data Engineering, vol. 16, no. 5, pp. 612-620, 2004. [DOI:10.1109/TKDE.2004.1277822]
34. S. Viaene, R. Derrig, B. Baesens, and G. Dedene, "A comparison of state-of-the- art classification techniques for expert automobile insurance claim fraud detection" The Journal of Risk and Insurance, vol. 69, no. 3, pp. 373-421, 2002. [DOI:10.1111/1539-6975.00023]
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
