شناسایی دستکاری قیمتی فروش پس از القای روند در بورس اوراق بهادار تهران با استفاده از روش های یادگیری عمیق (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
یکی از مهمترین چالشها و معضلات بازار سرمایه، دستکاری اوراق بهادار است. دستکاری اوراق بهادار نه تنها قیمتگذاری صحیح داراییها را با مشکل همراه میسازد بلکه سبب ایجاد خدشه در اعتماد سرمایه گذاران میگردد. لذا طراحی و استفاده از ابزارهای هوشمند نظارتی جهت شناسایی دستکاری قیمتی از اهمیت ویژهای برخوردار است. هدف از انجام این پژوهش ارائه مدلی مبتنی بر روش های یادگیری عمیق جهت شناسایی تخلف فروش پس از القای روند میباشد. برای این منظور در ابتدای امر بر اساس هشدار نظارتی طراحی شده در سامانه نظارتی سازمان بورس و اوراق بهادار و بررسی موارد مشکوک، دادههای برچسبدار تخلف تولید شده است. در ادامه با استفاده از شبکه متخاصم مولد، مشکل عدم توازن داده ها رفع شده و با استفاده از مدلهای شبکه عصبی پرسپترون چند لایه، شبکه عصبی بازگشتی، شبکه عصبی حافظه طولانی-کوتاه مدت و شبکه تابع پایه شعاعی به شناسایی دستکاری قیمتی پرداخته شده است. نتایج بررسی نشان میدهد مدلهای شبکه حافظه طولاتی-کوتاه مدت و شبکه عصبی بازگشتی با امتیاز F2 بالای 92% از عملکرد مناسبی در شناسایی دستکاری قیمتی برخوردار بوده و دارای قابلیت پیادهسازی در فرآیندهای نظارتی و تحقیقات آتی سایر حوزه های شناسایی تخلف می باشد.Stock Price Pumping and Dumping Manipulation Detection Using Deep Learning Methods in Tehran Stock Exchange
One of the most important challenges in the stock market is the manipulation of securities. Manipulation of securities not only causes problems in the functionality of the capital market in the assets pricing, but also causes damages to the investors’ confidence. Therefore, the design and use of smart surveillance tools, especially tools based on artificial intelligence, to detect the market manipulation is very important. The purpose of this research is to provide a model based on deep learning methods to detect stock pump and dump manipulation. For this purpose, we generated labeled manipulation data using designing surveillance triggers at Securities and Exchange Organization and checking suspicious transactions. In the following, by using the adversarial generative network, misbalancing of data has been solved, and by using multi-layer perceptron neural network models, recurrent neural network, long-short-term memory neural network, and radial basis function network, price manipulation has been detected. The results show that long-term memory network and recurrent neural network had a good performance at price manipulation detection by more than 92% F2 score and have the ability to be implemented in regulatory processes and future research in other areas of stock manipulations.
تبلیغات
