Tekoälyn hyödyntäminen sisäpiirikaupan tunnistamisessa

Abstract

Sisäpiirikauppa on vakava talousrikos, jossa hyödynnetään ei-julkista ja merkittävää tietoa arvopapereiden kaupankäynnissä. Se on huomattava uhka tehokkaille markkinoille sekä yksittäiselle sijoittajalle, ja sen tunnistaminen arvopaperimarkkinoilla on tärkeää markkinoiden oikeudenmukaisuuden ja luottamuksen sekä toimivan talouden varmistamiseksi. Teknologian sekä arvopaperikaupankäynnin nopean ja jatkuvan kehityksen myötä markkinoita valvovat järjestelmät eivät aina kykene havaitsemaan kehittynyttä sisäpiirikauppaa ja ovat tehottomia talousrikollisuuden tunnistamisessa. Perinteisten järjestelmien vanheneminen ja viimeaikainen tekoälyn nousu ovat johtaneet esimerkiksi koneoppimisen ja syväoppimisen tutkimiseen ja implementoimiseen sijoitustoimintaa ja sisäpiirikauppaa valvovissa järjestelmissä. Tässä tutkielmassa esitelty kirjallisuus osoittaa, että koneoppimisen algoritmit, kuten k-keskiarvoklusterointi, random forest sekä tukivektorikone mahdollistavat laajemman, monimuotoisemman ja kompleksisemman kaupankäynti- ja markkinadatan käsittelyn sisäpiirikaupan tunnistamiseksi. Lisäksi syväoppimisen alle lukutuvat moniajoiset syvät hermoverkot pystyvät löytämään datajoukkojen välisiä yhteyksiä, joilla voidaan arvioida kaupankäynnin luonnetta. Algoritmit pystyvät erottamaan tavallisen kaupankäynnin sekä poikkeuksellisen, potentiaalisesti rikollisuuteen viittaavan toiminnan. Tämä edistää sisäpiirikaupan alustavaa tunnistamista ja mahdollistaa tehokkaamman inhimillisen jälkitutkinnan ihmisen toimesta kaupankäyntitapausten tutkimisessa.