短暂威胁：基于深度学习的算法交易系统安全性评估
密码学与安全
2025-05-16 v1
摘要
我们研究了计算金融中使用深度学习（DL）进行股票价格预测的安全性。尽管已有大量研究关注DL对对抗性扰动的脆弱性，但此类工作迄今几乎未涉及DL驱动算法交易系统（ATS）中的实际对抗威胁模型。具体而言，我们调查了受现实约束限制的攻击者对ATS的对抗性扰动漏洞。首先，我们指出现有文献在金融领域的DL安全问题上关注有限，这自然为对手提供了吸引力。随后，我们正式化“短暂扰动”（Ephemeral Perturbation, EP）的概念，可用于针对DL基于ATS的 novel 类型攻击。最后，我们对EP针对一个盈利的ATS进行端到端评估。结果显示，输入股票价格的微小变更不仅（i）导致DL模型行为异常，还（ii）使整个ATS做出次优的买卖决策，导致受目标ATS的财务表现恶化。
引用
@article{arxiv.2505.10430,
title = {The Ephemeral Threat: Assessing the Security of Algorithmic Trading Systems powered by Deep Learning},
author = {Advije Rizvani and Giovanni Apruzzese and Pavel Laskov},
journal= {arXiv preprint arXiv:2505.10430},
year = {2025}
}
备注
To appear at ACM CODASPY 2025. 12 pages