基于网络的内幕交易异常检测

大多数超边都是规则边（即大小2），我们观察到数量呈指数级下降，如39.032.028.079.022.022.083.030.030.045.087.033.012.036.024.083.032.079.036.048.053.033.048.037.087.085.014.033.048.024.011.048.048.012.083.033.045.026.033.077.023 4.034.017.022.0合并爱迪生公司（a）14.028.028.030.031.028.028.0QCR控股公司，Inc.（b）6.030.028.025.05.035.08.0 Salesforce。com Inc（c）6.07.06.06.06.07.07.0Nielsen N.V.（d）图8：具有最高离群值得分的自我网络（LCSbased）：（a）-（b）购买；（c） -（d）销售。边缘用LCS长度标记。d12 d2 d3 d4 d5 d6 d72··· d15 d16 d17 d18 d19··· ··· d9 d10 d11 d12 d13 d143 d15 d16 d17 d18 d19···d11 d2 d3 d4 d5 d6 d71 d81 d9 d10 d11 d12 d13···t1t2t3（a）d11 d2 d3 d4 d5 d6 d71 d81···t1t2t3d12 d2 d3 d4 d5 d6 d72 d82··· d13 d2 d3 d4 d5 d6 d73 d83···（b） 图9：图与超图：（a）三个成对出现；（b） 三方共现。尺寸增大，在2和3之间有很大的差距。这表明“超边”捕获了一种值得探索的未Montrading行为。图11给出了从我们的数据中获得的两个超图示例。超边以相应LCS的长度表示。属于多个超级边缘交叉点的内幕人士，如图11（a）中的内幕人士5，对应于与多个集团共享重要交易序列的中心。我们在下文中探讨了这类恒星的特征，以调查其存在异常的可能性。6评估发现非法内幕交易的一大挑战是评估。

我们如何量化所获得结果的信息量？我们如何核实他们的身份交易员是否确实非法经营？领域专业知识和对已知过去财务事件的交叉检查（如公司合并或拆分图10：超边缘分布）是解决这一问题的途径。在这项工作中，为了开始评估我们的结果，我们将从确定的交易者在与确定为类似的交易者共享的日期序列中获得的收益开始。其目的是查看是否对这些交易做出了一致的回报。特别是，我们计算了有符号的normalizeddollar金额，如[1]所述。简而言之，我们将报告的交易价格（购买或出售）与交易当天公司股票的市场收盘价进行了比较。内幕人士在两种情况下会产生（积极的）利益：当他以低于该股票收盘价的价格购买股票时，以及同样地，当他以高于收盘价的价格出售股票时。该金额按该公司有问题股票的美元数量进行标准化。因此，有符号的标准化美元金额是-1和1。正值表示有利；负值表示损失。我们首先计算了使用基于LCS的自我网络识别的排名靠前的内部人员的签名归一化dollaramounts。计算包括内部节点在内的所有超边，并使用相应交易序列的并集计算归一化dollaramounts的时间序列。结果如图12所示。不幸的是，数据中并不总是有交易价格。因此，报告的是总实际交易的子集。

我们注意到，在这两种情况下（购买和出售），大多数交易都位于0级以上，这表明存在重复利润。此外，图12（b）显示了两项交易，如前一节所述，这两项交易产生了非常大的利润，我们还绘制了位于多条超边相交处（在我们的实验中至少有4条）的超图内部人员的符号归一化美元金额的时间序列。图13显示了时间（a）（b）的示例结果。图11：超图示例：（a）购买；（b） 出售。多条超边相交处的一组三名内部人员的序列，属于同一个egonet（也显示）。同样，大多数事务都高于0级别。7结论和未来工作在这项工作中，我们收集并分析了内部交易数据。为了捕捉内幕人士交易行为之间的关系，我们构建了不同类型的图。我们的结果表明发现了有趣的模式。我们发现的异常自我节点常常在高度关联的组成部分之间占据着桥梁的位置，这可能表明了交易者集团之间的HUBSB的作用。我们的异常排序可供调查人员用于对病例进行优先排序，以便进一步分析。我们还认为需要更高阶的结构，因此通过超图的构造捕获了内部人员之间的多路交互。对美元金额时间序列的分析支持了已识别案例的相关性。如前所述，需要开展更多工作来制定全面的评估方法。我们认为，内部人员超图捕捉到的复杂模式值得进一步探索。

我们是（a）（b）图12：签署的规范化dollaramounts（基于LCS的eGonet）的时间序列：（a）购买；（b） 出售。考虑一种基于模型的生成方法来学习正态与异常超边下的分布。要考虑的潜在元特征包括超边的大小和日期的特征序列（包括其长度）。参数可以用变分EM方法估计。【7】在不同的背景下引入了类似的方法，但假设异常分布已知且固定，且未考虑元特征。参考文献【1】A.Tamersoy、E.Khalil、B.Xie、S.L.Lenkey、B.R.Routledge、D.H.Chau和S.B.Navathe，《大规模内幕交易分析：模式与发现，社会网络分析与挖掘》（SNAM），4（1），117（2014）。[2] H.G.Goldberg、J.D.Kirkland、D.Lee、P.Shyr和D.Thakker，《NASD证券观察、新分析和监管系统（SONAR）》，载于《艺术情报创新应用会议记录》（2003年）。[3] S.Donoho，《期权市场内幕交易的早期发现》，摘自ACM SIGKDD知识发现和数据挖掘会议记录（2004年）。[4] L.Akoglu、M.McGlohon和C.Faloutsos，《古怪：在加权图中发现异常》，摘自《第十四届亚太知识发现和数据挖掘进展会议论文集第I部分》，第410-421页（2010年）。[5] M.M.Breunig、H.P.Kriegel、R.T.Ng和J.Sander，《LOF：识别基于密度的局部异常值》，载于《数据管理国际会议过程》（2000年）。[6] L.Akoglu、H.Tong和D.Koutra，《基于图形的数据挖掘和描述：调查、数据挖掘和知识发现》，第29卷，第3期，第626-688页，（2015年）。[7] J.Silva和R。

Willett，基于超图的高维共现异常检测，IEEETransactions on Pattern Analysis and Machine Intelligence，vol.31，no.3，（2009）。（a） （b）（c）Main Street Capital Corporation（d）图13：（a）-（c）共享多条超边的三名内部人员签署的归一化美元金额的时间序列（基于超图）；（d） 包括三位内部人士在内的Egonet。边的厚度与共享子序列的长度成比例。