基于随机森林的非法内幕交易检测与识别方法

根据《交易法》(1934)，非法内幕交易是指滥用获取特权信息的渠道。由于“常规”与“机会主义”内幕交易之间存在模糊界限，对于手工方法而言，识别内幕交易者利用特权信息操纵公平市场价格以谋取利益的策略是一项艰巨任务。在由多个行业构建的高维详细交易数据背景下，本研究探索、实施并提供了与现有研究 (Deng 等人，2019) 的详细比较，并通过将主成分分析集成到随机森林（PCA-RF）以及独立的随机森林（RF）方法，独立实现了自动化的端到端最先进方法。我们使用了来自多个行业的 320 条和 3984 条经过半手动标记和归一化的随机交易记录。这些设置能够揭示潜在结构并检测非法内幕交易。在多种设置中，我们表现最佳的模型正确分类了 96.43% 的交易。在所有交易中，模型将 95.47% 的合法交易正确分类为合法，将 98.00% 的非法交易正确分类为非法。此外，模型在将合法交易误分类为非法方面错误极少，仅占 2.00%。除了分类任务，模型还生成了基于基尼不纯度的特征重要性排序。我们的分析表明，所有权和治理相关的特征起着重要作用。总之，一种简单而强大的自动化端到端方法可以减轻劳动密集型工作，从而将资源重新分配到加强规则制定和捕获未发现的非法内幕交易上。我们强调，所开发的金融和交易特征能够有效揭示欺诈行为。