基于极端梯度提升树（XGBoost）的非法内幕交易检测方法
计算金融
2025-11-12 v1
摘要
公司内幕人员掌控着物质非公开的优势信息。偶尔情况下，内幕人员会策略性地规避法律和监管措施，以在证券交易中利用这些信息。由于交易量庞大，人类检查和识别内幕行为模式变得繁琐。另一方面，创新的机器学习架构在分析大规模和复杂数据方面显示出前景。一种这样的流行技术是极端梯度提升（XGBoost），作为一种领先的监督分类器。因此，我们求助于并应用XGBoost来缓解识别和检测非法活动的挑战。结果表明，XGBoost以97%的高准确率识别非法交易，并能提供排名前列的特征，用于检测欺诈活动。
引用
@article{arxiv.2511.08306,
title = {An extreme Gradient Boosting (XGBoost) Trees approach to Detect and Identify Unlawful Insider Trading (UIT) Transactions},
author = {Krishna Neupane and Igor Griva},
journal= {arXiv preprint arXiv:2511.08306},
year = {2025}
}