Detekce anomálií v datech z knih limitních objednávek

Abstract

Moderní finanční trhy jsou rychlé, komplexní a stále častěji se stávají cílem sofistikovaných forem manipulace. Tato práce se zaměřuje na detekci anomálií v časových řadách odvozených z knih limitních objednávek s cílem rozpoznat manipulativní chování zvané spoofing. Vzhledem k absenci anotovaných dat jsou použity metody strojového učení bez učitele aplikované na reálná historická data. V práci je implementováno šest metod - izolační les, lokální faktor odlehlosti, jednotřídní SVM, plně propojený autoenkodér, konvoluční autoenkodér a transformer autoenkodér. Modely jsou evaluovány pomocí méně známých metrik Excess Mass a Mass Volume, přičemž nejlépe si vedou modely izolační les a transformer. Kombinací nejvýkonnějších modelů vznikl robustní nástroj schopný odhalit podezřelé chování bez ruční anotace. Navržené řešení efektivně identifikuje rizikové oblasti pro následnou expertní analýzu a představuje tak praktický přínos pro detekci nelegálních praktik na finančních trzích.