Механизмы выявления нестандартных сделок для российского фондового рынка
| Вид материала | Документы |
- Абрамов А. Е., к э. н., Нп «Фондовая биржа ртс» Конкурентоспособность российского фондового, 150.08kb.
- Основы фондового прогнозирования, 21.41kb.
- Ие российского рынка корпоративных облигаций и будут определены проблемы исследования, 275.96kb.
- Программа дисциплины Теория финансовых кризисов для направления 080100. 68 экономика, 126.18kb.
- Работа по развитию и популяризации инструментов фондового рынка, 26.97kb.
- Консультации по фондовому рынку, инвестированию и привлечению капитала, 28.9kb.
- Итоги IV федерального инвестиционного форума 30-31 октября в Москве состоялось итоговое, 383.17kb.
- А. Е. Абрамов, заместитель директора Национального депозитарного центра Купля-продажа, 210.03kb.
- Вующем номере были опубликованы материалы дискуссии, развернувшейся в Великобритании, 189.01kb.
- Исследование проводилось в разрезе всех основных направлений деятельности на фондовом, 222.49kb.
Механизмы выявления нестандартных сделок для российского фондового рынка
Авторы: Тлехугов Н.В., аналитик, ЛАФР, НИУ-ВШЭ, Кущ К., аналитик ЛАФР, Столяров А.И., доцент, кафедра Фондового рынка и рынка инвестиций, НИУ-ВШЭ
Введение
Фондовый рынок России в своем развитии прошел значительный путь начиная с момента формирования в 90-х годах XX века до наших дней. Можно считать, что к настоящему времени уже полностью сформировалась операционная и практически полностью правовая составляющие, а сам рынок стал неотъемлемым институтом для экономики страны и общества в целом.
Однако, не смотря на достаточную ликвидность и уровень активности, особенно в докризисный период, на первичном и вторичном рынках, регулятивные и надзорные функции были не в полной мере реализованы. В частности, одним из недостатков Российского рынка до недавнего времени считалось почти полное отсутствие адекватной правовой базы для контроля и пресечения незаконной активности на рынке. В общепринятой классификации к незаконной деятельности на финансовых рынках обычно относят именно манипулирование и торговлю с использованием закрытой (инсайдерской) информации.
В 2010 году был принят, а в начале 2011 года вступил в силу Федеральный закон «О противодействии неправомерному использованию инсайдерской информации и манипулированию рынком», который ввел новые для российского права понятия «инсайдер», «инсайдерская информация», определил нормы поведения и ответственность участников рынка за его нарушение. Очевидно, что для полного внедрения норм упомянутого закона в практику работы всех участников фондового рынка пройдет еще достаточно много времени. Но также очевидно, что этому процессу должно сопутствовать как создание полной инфраструктуры для эффективного осуществления надзорных функций и мониторинга, так и большое число регулятивных подзаконных актов и внутрифирменных регламентов ведения бизнеса с учетом объявленных норм.
Инициатором и создателем регламентных процедур будут являться сами участники рынка, обязанные искать эффективные способы контроля за соблюдением закона внутри самих себя, и данный процесс будет иметь скорее хаотичный и нерегулярный характер. Большое число подзаконных актов, писем-разъяснений и официальных комментариев также потребуется для прояснения и уточнения практик правоприменения и очевидно, что процесс будет происходить по мере накопления рынком и регулятором опыта.
Описанные выше документы и нормы являются в определённом смысле «оболочкой» и основой для создания практически действующей инфраструктуры для исполнения норм закона на рынке. В данном случае под инфраструктурой можно понимать конкретные программно-аппаратные средства, систему раскрытия информации об инсайдерах, специализированные отделы в контрольных органах, как на уровне регулятора и бирж, так и на уровне брокера и индивидуальных инвесторов, действующие процедуры и кодексы поведения.
Таким образом, разработка действенной комплексной системы мониторинга и контроля рынка, имеющей достаточную исследовательскую поддержку, является в настоящее время достаточно актуальной задачей. Безусловно, оптимальная по объему (сложности) и эффективная система включает в себя большое число компонент, некоторые из них: организационная составляющая, применяемые методы мониторинга и контроля, программно-аппаратные комплексы, специализированный персонал, правила отчетности и раскрытия особой информации и другие. Одной из важнейших частей такой системы все же является именно применяемые методики мониторинга и анализа рынка на предмет подозрения в наличии незаконной деятельности. Обсуждению некоторых аспектов такого рода методик посвящена статья.
Предварительные замечания
Помимо численных методов анализа фондового рынка, широко применяемых в автоматизированных системах, существуют также аналитические и оперативные методы контроля. Далее будут рассмотрены именно численные методы, как наиболее близкий к научной сфере класс методов контроля и мониторинга рынка.
Для начала необходимо определить понимание предмета рассмотрения – нестандартных сделок. Для целей построения численных методик под нестандартными сделками будут подразумеваться конкретные сделки на рынке, не соответствующие по своей цели принципу рационального (общепринятого, модельного) поведения участника и по способу реализации – нормам действующего законодательства. Под данное определение попадают все сделки имеющие манипулятивный характер, а также торговля с использованием закрытой инсайдерской информации. Важно отметить, что сделки, являющиеся результатом технической ошибки, будут включены в число нестандартных, в то время как сделки, явившиеся результатом неверной интерпретации фактов на рынке, не будут, поскольку явились результатом «модельного» поведения участника при принятии решения.
Данную классификацию необходимо рассматривать совместно с общепринятой классификацией незаконного поведения на рынке, потому что феномен нестандартных сделок проявляется именно как результат определенных видов деятельности на рынке.
Рисунок 1 Классификация типов незаконного поведения на рынке
- Под информационным манипулированием подразумевается распространение ложной информации и слухов, вводящих участников рынка в заблуждение.
- Примером манипуляций, не относящихся к торговле, можно считать, например, целенаправленные скрытые действия менеджмента организации, нацеленные на извлечение собственной выгоды (преднамеренное банкротство и другие).
- Класс манипулятивных торговых стратегий1 крайне обширен и включает в себя все типы торговых действий участников рынка, нацеленных на незаконное обогащение за счет введения прочих участников в заблуждение относительно стоимости ценной бумаги и истинных целей контрагента.
Феномен нестандартных сделок, таким образом, проявляется в области инсайдерской торговли и манипулятивных торговых стратегиях участников рынка. Поэтому вопрос построения методики выявления нестандартных сделок в итоге сводится к построению методики выявления незаконной инсайдерской торговли и манипулирования воспринимаемой рынком цены (фундаментальной стоимости) ценных бумаг.
Определив предмет рассмотрения необходимо определить те наблюдаемые параметры, результат анализа которых позволит классифицировать нестандартные сделки от прочих. То есть суть любой численной методики выявления нестандартных сделок заключается в определении перечня качественных и количественных параметров таких сделок, способа их расчета и подхода к интерпретации получаемых сигналов.
Обзор литературы
Несмотря на то, что в литературе достаточно широко освещен вопрос анализа инсайдерской торговли, анализу манипулирования посвящено намного меньше статей и обсуждений.
Вопрос о том, насколько большой вред рынку приносит незаконная инсайдерская торговля не имеет однозначного ответа до сих пор: есть масса аргументов против, но и достаточно количество аргументов за легализацию торговли с использованием инсайдерской информации. Основной аргумент за легализацию – повышение эффективности рынка путем более скорого проникновения информации на него через торговые действия инсайдеров. Очевидно, что данное заключение скорее относится к развитым рынкам с комплексной операционной инфраструктурой и низким уровнем асимметрии информации между участниками, чем развивающимся.
Однако не возникает вопроса относительно вреда манипулирования для рынка, поскольку искажение истины и воспринимаемых цен активов однозначно воспринимается как практика разрушающая основы честного и эффективного рынка.
Стоит отметить, что для целей построения численной методики выявления нестандартных сделок наибольший интерес представляют как раз работы, связанные с анализом манипулятивных торговых стратегий, и этому есть несколько причин. Во-первых, по своей сути действия инсайдера, если имеют незаконный характер, должны быть скорее максимально скрытными, чтобы не привлекать внимания других участников рынка. Поэтому построение численного алгоритма выявления незаконной инсайдерской активности и самих сделок в данном случае представляется затруднительным. Во-вторых, манипулятор, с другой стороны, имеет целью вовлечь максимально большое число участников в свою деятельность, чтобы спровоцировать необходимые движения на рынке, что и будет отражено в наблюдаемых показателях. Таким образом, целесообразными для рассмотрения являются исследовательские работы по анализу именно манипулятивных действий и их последствий для рынка.
Можно выделить 3 основных группы подходов к выявлению нестандартного поведения на рынке (зачастую напрямую относимого на действия манипулятора):
Первая группа. Использование предельно допустимого отклонения цены от предыдущего значения. Источник сигнала – отклонение на заранее определенную величину. Несмотря на простоту, метод может быть построен на любых временных интервалах и на любых наблюдаемых показателях, что позволяет рассматривать его в качестве кандидата для методики выявления нестандартных сделок.
Вторая группа (параметрические модели). Построение численной методики на основе какой-либо рыночной модели для «предсказания» параметров ценной бумаги на шаг2 вперед. Источник сигнала – статистически значимое отклонение какого-либо параметра ценной бумаги от «прогнозного» значения. Ярким примером являются работы [1] и [2], в которых авторы рассматривают модели временного ряда для построения прогнозов параметров ценной бумаги. В работе [2] используется модель прогнозирования доходности типа CAPM с о авторегрессионной составляющей и GARCH (1,1)-моделью остатков. В работе [1] использован подход моделирования временных рядов как процесса диффузии для показателей доходности, объема торгов, показателей концентрации сделок во времени.
Преимуществом параметрических моделей является учет наблюдаемых законов поведения (распределения) для показателей ценной бумаги и строгие статистические критерии для генерации и подтверждения сигнала. Однако, значительным недостатком подходов, основанных на статистических моделях прогнозирования временных рядов, является принципиальная невозможность оценки и классификации индивидуальных сделок внутри одной торговой сессии.
Третья группа (непараметрические модели). Суть подхода заключается в вычислении определенного показателя или набора показателей, применения процедуры «фильтрации» и численный и графический анализ их поведения. В качестве примера можно привести работу [3], в которой рассмотрен достаточно инновационный подход и в качестве параметра нестандартных сделок рассматривается показатель энтропии. Методика имеет в качестве преимущества возможность применения для конкретных сделок. Сигналом для системы является резкое изменение показателя. Обзор и тестирование некоторых непараметрических подходов изложено в работе [4]. Авторы на основе выборки по Турции тестируют качество классификации четырех непараметрических подходов (многомерный дискриминантный анализ, логистические регрессии, метод искусственных нейронных сетей и метод опорных векторов3). Результатом является вывод о большей мощности непараметрических тестов в задаче классификации манипулируемой выборки от нормальной.
Недостатком подходов является необходимость постоянной и точной калибровки системы4 и правильная интерпретация полученного сигнала. Непараметрические методы могут быть использованы только при условии накопления определенного объема фактов и «обучения» систем, в то время как большинство статистических моделей будут генерировать сигналы по отклонениям от заложенной в модели теоретической структуре временного ряда.
Таким образом, однозначного ответа на вопрос о том, какой численный метод выявления нестандартных сделок является наиболее эффективным, нет.
Оценка возможности применения показателя энтропии в качестве индикатора для методики выявления нестандартных сделок
Ранее было отмечено, что любая численная методика выявления нестандартных сделок включает в себя определение показателей («параметров»), способных каким-либо образом классифицировать сделки по типам «стандартная»/«нестандартная», процедуры калибровки и интерпретации сигнала. Поэтому в последнее десятилетие стали широко применяться различные непараметрические алгоритмы и концепции.
Взгляд на фондовый рынок с точки зрения энтропии (хаоса) достаточно нов, первые упоминания концепции относятся к началу 2000-х, а исследования фондового рынка с использованием метода на основе показателей энтропии появились еще позже. Ярким примером является работа [5], в которой авторы предлагают рассматривать показатели финансовых рядов данных альтернативные существующим традиционным статистикам и применять их, в том числе и к оценке ценных бумаг. Рассмотрение данного вопроса выходит за рамки настоящей статьи, но, безусловно, представляет интерес.
Ввиду упомянутых ранее недостатков методов на основе моделей прогнозирования временных рядов, а также очевидным проблемам при анализе неликвидных бумаг для Российского рынка, в качестве иллюстративного примера была выбрана методика на основе показателя энтропии выборки (SampEn). Показатель впервые был использован в анализе финансовых данных в работе [6]. Показательной работой по данной тематике также можно считать [3], в которой авторы делают попытку построить метод классификации выборки с манипуляцией от нормального поведения. В работе тестируется гипотеза о том, что в момент манипулирования на рынке возникает большая «упорядоченность5» и показатель энтропии снижается. Рассмотрев ряд конкретных случаев манипулирования акциями на основе статистического и графического анализа, авторы делают вывод о том, что метод имеет ограниченное применение, так как не может однозначно классифицировать все случаи манипулирования.
Описание метода построения показателя энтропии
Под энтропией подразумевают меру неупорядоченности последовательности. Ниже приводится описание лишь одного из возможных показателей – энтропия выборки (sample entropy – SampEn), поскольку есть основания пролагать, что он дает наименее смещенную оценку на малых выборках [7].
Первым шагом является выбор показателей, их «размерности» и способа генерации подпоследовательностей для расчетов.
В настоящей работе в качестве данных выступают:6
- нормированный прирост цены от сделке к сделке и
- нормированный прирост объема сделки (нормирование производится путем деления на несмещенную оценку стандартного отклонения по ряду).
Под «размерностью» понимается шаг усреднения (сглаживания) данных путем замещения исходного средними, рассчитанными по непересекающимся последовательным подпоследовательностям заданной длины («размерности»). Для целей настоящей работы достаточно «размерности» данных равной 1.
Способы генерации:
- выделение непересекающиеся во времени подпоследовательностей (сравнение данных по дням, разное число элементов выборки для разных дней);
- выделение пересекающихся во времени последовательностей (учет лишь последовательности сделок безотносительно времени, использование фиксированной длины подпоследовательностей);
- скользящая оценка (учет каждого нового движения);
Определим выборку
, где в качестве элементов выступают а) нормированный прирост цены от сделке к сделке и б) нормированный прирост объема сделки (нормирования производится путем деления на несмещенную оценку стандартного отклонения по ряду). Положим r = 20% (обычно принимаемый 15-20%) – регулятор чувствительности (показатель допустимых отклонений) и m = 2 (обычно принимаемый целым от 1 до 5) – длина подпоследовательностей
. Обозначим вектор
, где 1Алгоритм вычисления заключается в том, что для всех i из интервала 1
подобных на . Есть несколько критериев сравнения векторов, но в простейшем случае два вектора можно считать подобными, если их соответствующие координаты отличаются на более чем на +/- r%. Рисунок 2Иллюстрация критерия подобия векторов7
На рисунке изображен гипотетический пример некоторой последовательности. Рассмотрим вектор (x1,x2). В определенном выше смысле подобными ему будут считаться вектора (x12,x14) и (x43,x44). Для случая трехмерных векторов, например, (x1,x2,x3) существует ли один подобный ему (x43,x44,x45).
Путем полного перебора всех подпоследовательностей длины m и m+1 получим
и 
– показатели общего числа подобных подпоследовательностей дины m и m+1 в исходной выборке.Определим
.Теоретически данный показатель для абсолютно упорядоченной последовательности должен стремиться к 0, а в случае «абсолютно неупорядоченной» к 1. На практике нет четкого понимания «абсолютно неупорядоченной» системы и показатель используется именно для сравнения «степени неупорядоченности» рядов, то есть эффективно показатель является критерием классификации временных рядов.
В работах анализа поведения рынка с использованием показателей энтропии зачастую тестируется именно способность показателя классифицировать (различать) временные ряды, предполагая, что некоторые свойства «нестандартных» рядов должны проявляться в том числе и в форме изменения энтропии. При этом в работах построения методики выявления манипулирования на рынке считается, что факту манипулирования сопутствует «упорядочивание» торговли, что должно привести к снижению показателя.
Данные
В качестве иллюстративного примера было рассмотрено поведение акций компании ОАО «ВиммБилльДанн» (ВБД) в период с 22.11.2010 по 08.12.2012. Указанный период включает в себя день объявления 02.12.20108, а также период с 29.11.2010 по 02.12.2010, в который по заявлению Регулятора рынка США (SEC) могла иметь место незаконная торговля9. Поскольку доступа к данным по сделкам с ADR в этот период нет, то в качестве замены были использованы показатели цены и объема всех сделок на ММВБ с акциями ВБД, имевших место за указанный период10. Никаких дополнительных процедур очистки данных не проводилось.
Таким образом, рассмотренный в соответствующем разделе пример служит лишь иллюстрацией метода с использованием показателя энтропии и не может рассматриваться для получения каких-либо окончательных выводов.
Результаты и обсуждение
Описательные статистики выборки представлены в Таблице 1, иллюстрации приведены в Приложении 1.
Достоверная информация о будущей сделке по поглощению ВБД компанией PepsiCo появилась 02.12.2010, что сопровождалось значительным ростом объемов торгов и цены (Рисунок 3).
По мере приближения события увеличивалось среднее число бумаг в одной сделке (рисунок 4), что является показателем роста активности на рынке в преддверии события. Стоит отметить тот факт, что проявление активности наблюдалось заранее, что может являться свидетельством наличия каких-либо слухов и неподтвержденной информации о предстоящей сделке (рынок фактически «отыгрывал» будущее событие). Наряду с ростом активности наблюдается резкое снижение в различиях между сделками (показатель среднего прироста цены между сделками, нормированный на стандартное отклонение предыдущего периода). Данный факт можно объяснить тем, что по мере роста числа продавцов и покупателей, изменения цен все больше сглаживаются, так как для каждого уровня цены находится все больше и больше желающих осуществить сделку.
Результаты расчета показателя энтропии приведены в Таблице 2, а графические иллюстрации представлены в Приложении 2.
Таблица 1 Описательные статистики выборки (цены и объемы сделок с акциями ВБД в период с 22.11.2010 по 08.12.2010)
| Дата | Число сделок за день | Оборот бумаг в шт. за день | Средняя цена сделки | Стандартное отклонение цены внутри дня | Оборот торгов за день (млн.руб.) | Средневзвешенная цена за день | Среднее число бумаг в 1 сделке (шт.) | Стандартное отклонение числа бумаг в 1 сделке | Кол-во сделок/ст.откл (lag 1) | Средний прирост цены от сделки к сделке, руб. | Стандартное отклонение среднего прироста цены от сделки к сделке | Средн. прирост цены/ст.откл (lag 1) |
| 22.11 | 144,0 | 2 480 | 2 044,8 | 10,2 | 5,1 | 2 043,0 | 17,2 | 112,3 | | - 0,000 | 4,94 | |
| 23.11 | 247,0 | 1 940 | 2 033,1 | 8,2 | 3,9 | 2 028,2 | 7,9 | 47,0 | 7,0% | 0,001 | 2,78 | 0,03% |
| 24.11 | 97,0 | 2 641 | 2 064,5 | 16,5 | 5,5 | 2 069,8 | 27,2 | 105,6 | 57,9% | 0,409 | 5,63 | 14,74% |
| 25.11 | 125,0 | 5 941 | 2 132,1 | 26,0 | 12,7 | 2 143,8 | 47,5 | 126,9 | 45,0% | 0,512 | 6,57 | 9,09% |
| 26.11 | 332,0 | 21 408 | 2 287,8 | 54,8 | 49,5 | 2 312,5 | 64,5 | 176,7 | 50,8% | 0,395 | 10,89 | 6,01% |
| 29.11 | 124,0 | 17 748 | 2 323,8 | 22,7 | 41,4 | 2 334,1 | 143,1 | 387,4 | 81,0% | 0,443 | 10,39 | 4,07% |
| 30.11 | 137,0 | 28 565 | 2 312,4 | 14,5 | 66,1 | 2 313,7 | 208,5 | 958,6 | 53,8% | -0,307 | 7,47 | -2,95% |
| 01.12 | 95,0 | 34 471 | 2 312,2 | 25,4 | 79,6 | 2 308,4 | 362,9 | 1 591,4 | 37,9% | 0,189 | 11,72 | 2,53% |
| 02.12 | 4 447,0 | 392 605 | 3 520,5 | 387,2 | 1 289,9 | 3 285,4 | 88,3 | 496,9 | 5,5% | 0,322 | 18,98 | 2,75% |
| 03.12 | 1 868,0 | 45 015 | 3 639,2 | 83,6 | 163,2 | 3 624,5 | 24,1 | 93,6 | 4,8% | - 0,048 | 12,75 | -0,25% |
| 06.12 | 252,0 | 4 044 | 3 600,8 | 16,9 | 14,6 | 3 600,3 | 16,0 | 40,1 | 17,1% | - 0,206 | 7,31 | -1,62% |
| 07.12 | 225,0 | 14 698 | 3 614,8 | 15,7 | 53,2 | 3 619,5 | 65,3 | 168,1 | 162,9% | 0,053 | 7,78 | 0,73% |
| 08.12 | 177,0 | 20 214 | 3 628,8 | 9,9 | 73,4 | 3 630,4 | 114,2 | 294,1 | 67,9% | 0,114 | 4,74 | 1,46% |
Таблица 2 Показатели энтропии для выборки измнения цен и физических объемов торгов с акциями ВБД в период с 22.11.2010 по 08.12.2010
| Дата | SampEn (изменение цен сделок) | A | B | SampEn (объем торгов) | A | B |
| 22.11 | 9,6% | 14 148 | 14 613 | 3,2% | 9 826 | 8 926 |
| 23.11 | 10,3% | 27 612 | 28 086 | 1,7% | 24 195 | 21 817 |
| 24.11 | 26,2% | 3 408 | 4 037 | 16,9% | 3 263 | 2 512 |
| 25.11 | 101,5% | 1 908 | 3 490 | 60,4% | 2 219 | 804 |
| 26.11 | 70,6% | 3 137 | 5 996 | 64,8% | 6 389 | 3 155 |
| 29.11 | 92,0% | 2 070 | 3 300 | 46,6% | 2 631 | 1 049 |
| 30.11 | 65,7% | 4 825 | 6 363 | 27,7% | 4 570 | 2 369 |
| 01.12 | 82,2% | 1 635 | 2 506 | 42,7% | 1 716 | 754 |
| 02.12 | 56,4% | 2 020 | 5 203 | 94,6% | 18 380 | 10 456 |
| 03.12 | 141,2% | 1 506 | 3 824 | 93,2% | 3 934 | 959 |
| 06.12 | 37,7% | 3 518 | 6 171 | 56,2% | 20 385 | 13 980 |
| 07.12 | 27,2% | 10 452 | 13 200 | 23,3% | 12 206 | 9 297 |
| 08.12 | 50,9% | 6 034 | 7 941 | 27,5% | 6 256 | 3 762 |
Как видно из таблицы и рисунка 5, оба показателя энтропии имеют тенденцию к повышению до момента поступления информации, что может отражать усиление степени «неупорядоченности» рынка. В момент поступления достоверной информации на рынок и по прошествии еще одного дня, рынок является сильно неупорядоченным (коэффициент близок к 1). Отчасти такой результат можно интерпретировать натуральным образом как «рост активности» на рынке в преддверии появления события. Такая трактовка не дает никакой информации о возможности классификации и выявления нестандартных сделок на рынке с использованием показателя энтропии.
Тем не менее, интересным представляется сравнить визуально поведение показателя энтропии и стандартных показателей методики event-study (накопленной доходности и отклонений объемов торгов). Из рисунка 6 следует интересное наблюдение: статистически значимых отклонений в цене акции и объемах торгов в преддверии сделки 02.12.2010 нет, а в тот же временной промежуток показатель энтропии имеет четко выраженный тренд к повышению.
Заключение
Целью настоящей работы являлась оценка возможности классификации поведения ценной бумаги на основе показателя энтропии. В случае если бы было обнаружено требуемое свойство показателя на рассмотренных данных, его можно было бы считать кандидатом на включение в комплексную методику выявления нестандартных сделок. Однако четкого сигнала на основе показателей энтропии для объемов и прироста цены обнаружить не удалось. Тем не менее, был описан алгоритм в общем виде, что может быть основной для дальнейшей работы.
Также при проведении сравнений со стандартной методикой event-study было отмечено, что на фоне достаточно гладкого поведения показателей накопленной доходности и объема торгов в преддверии события, показатель энтропии имел явную тенденцию к росту. То есть, показатель энтропии можно предполагать более чувствительным индикатором рынка, чем статистические оценки моделей временных рядов. Такое наблюдение позволяет предположить, что показатели энтропии должны быть рассмотрены как часть комплексной методики генерации сигналов о появлении на рынке нестандартных сделок. Проверке данного предположения целесообразно посвятить ряд работ.
В заключение также стоит отметить принципиальное отличие рассмотренного метода от традиционного эконометрического подхода. Оценка параметров рынка и сделок с помощью статистических моделей имеет основное преимущество в том, что не требует затратных процедур «обучения» и предлагает строгий аппарат для тестирования разного рода гипотез. Важным недостатком, однако, является использование какой-либо одной строгой модели, коротая может не учесть нелинейные изменения или быть ошибочной по построению, подразумевающей неизменную внутреннюю структуру данных.
В противоположность эконометрическому подходу, алгоритм на основе непараметрических показателей, в частности показателя энтропии системы, может быть использован без априорного определения наблюдаемой модели поведения какого-либо параметра. А свойство «обучаемости» алгоритмов может рассматриваться как преимущество и способ построения очень «чувствительных» систем контроля и мониторинга рынка.
Библиография
[1] M. Minenna, “The detection of market abuse on financial markets: a quantitative approach,” 2003.
[2] R. Cholewiński, “Real-Time Market Abuse Detection with a Stochastic Parameter Model,” vol. 284, 2009, pp. 261-284.
[3] M. Slama, “Trade-Based Stock Price Manipulation and Sample Entropy,” 2008.
[4] H. Öğüt, M. Mete Doğanay, and R. Aktaş, “Detecting stock-price manipulation in an emerging market: The case of Turkey,” Expert Systems with Applications, vol. 36, Nov. 2009, pp. 11944-11949.
[5] S. Pincus and R.E. Kalman, “Irregularity, volatility, risk, and financial market time series,” Proceedings of the National Academy of Sciences of the United States of America, vol. 101, 2004, p. 13709.
[6] Y. Reddy and A. Sebastin, “Parameters for Estimation of Entropy to Study Price Manipulation in Stock Market,” papers.ssrn.com, 1867.
[7] D.E. Lake, J.S. Richman, M.P. Griffin, and J.R. Moorman, “Sample entropy analysis of neonatal heart rate variability.,” American journal of physiology. Regulatory, integrative and comparative physiology, vol. 283, Sep. 2002, pp. R789-97.
[8] V. Chikwasha, “Time-series analysis using wavelets and entropy analysis,” BMC bioinformatics, vol. 10, Jan. 2009, p. 32.
Приложение 1
Рисунок 3 Достоверная информация о сделке поступила на рынок 02 дек.2010, что сопровождалось ростом цены и объемов торгов
Рисунок 4 Активность на рынке постепенно возрастала к максимуму в день публикации новости. При этом наблюдалось снижение средней величины прироста цены от сделки к сделке.
Приложение 2
Рисунок 5 Показатель энтропии не дает однозначного сигнала относительно поведения рынка вокруг события
Рисунок 6 Иллюстрация методики event-study для оценки влияния события ны рынок
1 В соответствии с гипотезой эффективного рынка участники не могут получать сверхприбыли путем применения определенной торговой стратегии (или торгового манипулирования). Однако, в реальности в условиях неравновесного рынка и несимметричной структуры спроса и предложения на определенный актив, возможно построение локальных прибыльных манипулятивных стратегий.
2 Временным интервалом модели обычно выбирается торговый день, что накладывает определенные ограничения на анализ индивидуальных сделок внутри одной торговой сессии.
3 Методы искусственных нейронных сетей и метод опорных векторов относятся к т.н. задачам классификации и заслуживают отдельного рассмотрения.
4 Зачастую сама процедура калибровки непараметрического метода может являться чрезвычайно емкой вычислительной задачей и, как следствие, это накладывает определенные ограничения на их применимость.
5 Авторы в работе [3] предполагают, что поскольку рынок на коротких промежутках времени ведет себя как «шум», то появление определенного «манипулятора» со своей «стратегией» должно вносить элементы упорядоченности в данные. Обсуждения сторонних источников «случайного» упорядочивания не приводится.
6 Альтернативно можно также использовать информацию о времени совершения сделок, а также рассмотреть более крупные временные интервалы.
7 Иллюстрация приведена по аналогии с работами [3] и [8].
10 Поскольку в российской практике нет детально раскрытых случаев официального обвинения в незаконной деятельности, то делать какие-либо окончательные выводы в рассмотренном случае невозможно.