วิธีการตรวจจับการซื้อขายภายใน: วิธีการทางคณิตศาสตร์
การตรวจจับการซื้อขายภายในต้องการการเก็บข้อมูลและการวิเคราะห์อย่างเป็นระบบ บทความนี้ตรวจสอบวิธีการเชิงปริมาณที่นักวิเคราะห์การเงินใช้ในการสังเกตพฤติกรรมการซื้อขายที่น่าสงสัย โดยมุ่งเน้นไปที่โมเดลทางคณิตศาสตร์และตัวชี้วัดทางสถิติที่ช่วยในการระบุการกระทำที่ผิดกฎหมายที่อาจเกิดขึ้นในตลาดการเงิน
การทำความเข้าใจชุดข้อมูลการตรวจจับการซื้อขายภายใน
เพื่อให้สามารถตรวจจับการซื้อขายภายในได้อย่างมีประสิทธิภาพ นักวิเคราะห์จำเป็นต้องมีชุดข้อมูลที่ครอบคลุม ระบบการตรวจจับที่ประสบความสำเร็จทุกระบบจะต้องอิงจากรูปแบบการซื้อขายในอดีต เมตริกปริมาณการซื้อขาย และการเคลื่อนไหวของราคา ระบบการเฝ้าระวังตลาดมักจะตรวจสอบกิจกรรมการซื้อขายที่ผิดปกติก่อนการประกาศที่สำคัญของบริษัท
| ประเภทข้อมูล | คำอธิบาย | ความเกี่ยวข้องกับการตรวจจับ |
|---|---|---|
| ปริมาณการซื้อขาย | จำนวนหุ้นที่ซื้อขาย | การเพิ่มขึ้นที่ผิดปกติอาจบ่งชี้ถึงความไม่สมดุลของข้อมูล |
| การเคลื่อนไหวของราคา | การเปลี่ยนแปลงราคาหุ้น | การเปลี่ยนแปลงที่ผิดปกติก่อนการประกาศ |
| เวลา | เมื่อใดที่มีการซื้อขายเกิดขึ้น | ความใกล้ชิดกับเหตุการณ์ของบริษัท |
| กิจกรรมออปชั่น | การเปลี่ยนแปลงปริมาณการซื้อขายออปชั่น | รูปแบบการซื้อขายอนุพันธ์ที่ผิดปกติ |
เมื่อรวบรวมข้อมูลสำหรับการตรวจจับการซื้อขายภายใน ควรพิจารณาแง่มุมทางเวลา รูปแบบการซื้อขาย 10-15 วันก่อนการประกาศที่สำคัญมักจะเผยให้เห็นความผิดปกติที่บ่งบอกมากที่สุด แพลตฟอร์มเช่น Pocket Option ให้การเข้าถึงข้อมูลบางจุดเหล่านี้สำหรับการวิเคราะห์ทางเทคนิค
เมตริกทางสถิติที่สำคัญสำหรับการตรวจจับ
การตรวจจับการซื้อขายภายในที่ประสบความสำเร็จขึ้นอยู่กับเมตริกทางสถิติหลายประการที่วัดพฤติกรรมของตลาด การวัดเหล่านี้ช่วยแยกเสียงรบกวนในตลาดที่เกิดขึ้นโดยบังเอิญออกจากรูปแบบการซื้อขายที่อาจผิดกฎหมาย
- ผลตอบแทนที่ผิดปกติ (AR): วัดว่าผลตอบแทนจริงของหุ้นเบี่ยงเบนจากผลตอบแทนที่คาดหวังมากเพียงใด
- ผลตอบแทนที่ผิดปกติสะสม (CAR): รวม ARs ในช่วงเวลาที่กำหนด
- อัตราส่วนปริมาณการซื้อขาย (TVR): เปรียบเทียบปริมาณปัจจุบันกับปริมาณเฉลี่ยในอดีต
- อัตราส่วนการเพิ่มขึ้นของราคา: วัดการเพิ่มขึ้นของราคาก่อนการประกาศเมื่อเปรียบเทียบกับการเคลื่อนไหวของตลาด
| เมตริก | สูตร | เกณฑ์สำหรับความสงสัย |
|---|---|---|
| ผลตอบแทนที่ผิดปกติ | AR = ผลตอบแทนจริง - ผลตอบแทนที่คาดหวัง | |AR| > 2.5% |
| CAR | CAR = ∑AR ในช่วงเหตุการณ์ | CAR > 5% |
| อัตราส่วนปริมาณ | ปริมาณปัจจุบัน / ปริมาณเฉลี่ย | อัตราส่วน > 3.0 |
| อัตราส่วนปริมาณออปชั่น | ปริมาณออปชั่นปัจจุบัน / ปริมาณออปชั่นเฉลี่ย | อัตราส่วน > 5.0 |
โมเดลความน่าจะเป็นในการวิเคราะห์การซื้อขายภายใน
การตรวจจับรูปแบบการซื้อขายที่น่าสงสัยมักเกี่ยวข้องกับโมเดลที่อิงจากความน่าจะเป็นซึ่งคำนวณความน่าจะเป็นของพฤติกรรมตลาดที่สังเกตได้เกิดขึ้นโดยบังเอิญหรือเกิดจากการรั่วไหลของข้อมูล
| ประเภทโมเดล | การใช้งาน | ประสิทธิภาพ |
|---|---|---|
| การวิเคราะห์การศึกษาเหตุการณ์ | ตรวจสอบผลตอบแทนรอบเหตุการณ์ของบริษัท | สูงสำหรับการประกาศที่กำหนด |
| โมเดลตลาด | เปรียบเทียบหุ้นกับการเคลื่อนไหวของตลาดที่กว้างขึ้น | กลาง - ถูกกระทบจากความผันผวนของตลาด |
| โมเดล GARCH | คำนึงถึงการรวมตัวของความผันผวน | แข็งแกร่งสำหรับหุ้นที่มีความผันผวน |
| การวิเคราะห์เครือข่าย | แผนที่ความสัมพันธ์การซื้อขาย | สูงมากสำหรับฝ่ายที่เชื่อมโยง |
สูตรทางคณิตศาสตร์สำหรับการคำนวณผลตอบแทนที่ผิดปกติในโมเดลตลาดคือ:
ARit = Rit - (αi + βiRmt)
โดยที่ Rit คือผลตอบแทนของหุ้น i ในเวลา t, Rmt คือผลตอบแทนของตลาด, และ αi และ βi คือพารามิเตอร์การถดถอย
กรณีตัวอย่าง: การวิเคราะห์การซื้อขายก่อนการประกาศ
| วัน | ผลตอบแทนหุ้น | ผลตอบแทนตลาด | ผลตอบแทนที่ผิดปกติ | อัตราส่วนปริมาณ |
|---|---|---|---|---|
| -10 | 0.2% | 0.1% | 0.1% | 1.2 |
| -5 | 1.0% | 0.2% | 0.8% | 2.1 |
| -3 | 1.7% | -0.3% | 2.0% | 3.8 |
| -1 | 2.6% | 0.1% | 2.5% | 4.7 |
| 0 | 8.5% | 0.2% | 8.3% | 10.2 |
ในตัวอย่างนี้ เราเห็นผลตอบแทนที่ผิดปกติและปริมาณการซื้อขายที่เพิ่มขึ้นเมื่อเราเข้าใกล้วันประกาศ (วัน 0) วัน -3 และ -1 แสดงรูปแบบที่น่าสงสัยซึ่งจะกระตุ้นการแจ้งเตือนการตรวจจับการซื้อขายภายในในระบบส่วนใหญ่
แนวทางการเรียนรู้ของเครื่อง
การตรวจจับการซื้อขายภายในในปัจจุบันใช้ประโยชน์จากอัลกอริธึมการเรียนรู้ของเครื่องเพื่อระบุรูปแบบที่นักวิเคราะห์มนุษย์อาจมองข้าม ระบบเหล่านี้วิเคราะห์ชุดข้อมูลขนาดใหญ่และทำเครื่องหมายกิจกรรมที่น่าสงสัยตามรูปแบบที่เรียนรู้
- โมเดลการเรียนรู้ที่มีการควบคุมที่ฝึกอบรมจากกรณีในอดีตของการซื้อขายภายในที่ได้รับการยืนยัน
- การตรวจจับความผิดปกติที่ไม่มีการควบคุมที่ระบุรูปแบบการซื้อขายที่ผิดปกติ
- การประมวลผลภาษาธรรมชาติในการวิเคราะห์การสื่อสารของบริษัท
- อัลกอริธึมการวิเคราะห์เครือข่ายที่ตรวจจับความสัมพันธ์การซื้อขายที่น่าสงสัย
ประสิทธิภาพของการตรวจจับการซื้อขายภายในขึ้นอยู่กับคุณภาพของข้อมูลนำเข้าและความซับซ้อนของอัลกอริธึมการวิเคราะห์ สถาบันการเงินเริ่มนำเครื่องมือทางคณิตศาสตร์เหล่านี้ไปใช้เพื่อรักษาความสมบูรณ์ของตลาด
บทสรุป
การพัฒนาระบบที่มีประสิทธิภาพในการตรวจจับการซื้อขายภายในต้องอาศัยการรวมกันของโมเดลทางสถิติ การวิเคราะห์ความน่าจะเป็น และอัลกอริธึมการเรียนรู้ของเครื่อง โดยมุ่งเน้นที่ผลตอบแทนที่ผิดปกติ การเพิ่มขึ้นของปริมาณ และเวลาเมื่อเปรียบเทียบกับการประกาศของบริษัท นักวิเคราะห์สามารถระบุการซื้อขายที่อาจผิดกฎหมายได้ วิธีการทางคณิตศาสตร์ในการตรวจจับการซื้อขายภายในยังคงพัฒนาอย่างต่อเนื่อง โดยมีความแม่นยำที่เพิ่มขึ้นเมื่อความสามารถในการคำนวณขยายตัว
ดูเพิ่มเติม:patternindicatorstockKnowledge baseRegulation and safety