Il machine learning aiuterà la Consob a scoprire i sospetti abusi di mercato, individuando trader che in prossimità di eventi cosiddetti price sensitive si comportino in modo discontinuo rispetto al passato o in maniera sincronizzata tra loro. La Consob, in collaborazione con la Scuola Normale Superiore di Pisa, ha pubblicato nell’ambito della raccolta Quaderni Fintech i risultati di uno studio sperimentale sui metodi di machine learning per smascherare le operazioni di insider trading, che potrebbero facilitare, tramite lo studio dei big data, le operazioni preliminari che permettono di scoprire potenziali abusi di mercato.
L’algoritmo sorveglia il titolo da analizzare
Come funziona il sistema messo a punto dalla Consob? In Borsa vengono svolte decine di milioni di operazioni, tra le quali si nascondono anche quelle di insider trading. Con i metodi tradizionali ci vogliono giorni e giorni per scoprirle, svariate ore di lavoro umano, personale specializzato che deve passare in rassegna una notevole mole di dati per verificare le eventuali anomalie e avviare, se opportuno, il processo della vigilanza.
L’intelligenza artificiale in fase di studio facilita il lavoro umano, velocizzandolo, estrapolando tra i dati piccoli sottoinsiemi di operazioni su cui poi fare gli accertamenti. Il meccanismo funziona così: a partire da un evento price sensitive (ad esempio il lancio di un’Opa), l’algoritmo osserva il comportamento del titolo in analisi, per capire chi è stato attivo prima dell’annuncio, chi lo è stato dopo e il peso delle singole operazioni.
L’intelligenza artificiale non è in grado di fornire nomi e specifiche del colpevole, ma soltanto quali sono i sospetti abusi di mercato, da usare al momento degli accertamenti digitali preliminari.
Allo studio della Consob due modelli di analisi
Nel rapporto, la Commissione di vigilanza e l’università di Pisa considerano due modelli. Il primo permette di identificare gruppi di investitori le cui attività di trading in prossimità dell’evento price sensitive sono risultate premianti e caratterizzate da discontinuità operativa rispetto alla precedente attività di compravendita. Questo modello consente di identificare gruppi omogenei di investitori con riferimento a uno specifico orizzonte temporale, e di distinguere quei soggetti che, in prossimità dell’evento price sensitive, modificano il loro comportamento di trading.
Il secondo modello di analisi consente di identificare piccoli gruppi di investitori che agiscono in direzione premiante e in modo sincronizzato in prossimità dell’evento price sensitive. Questo metodo consente di individuare una rete di trader caratterizzati da attività sincrona in termini di stati e di tempistica.
