La Consob sta mettendo al vaglio il funzionamento delle soluzioni di intelligenza artificiale e machine learning applicate al settore della vigilanza delle attività finanziarie. L’Autorità ha pubblicato nell’ambito della raccolta Quaderni Fintech i risultati di uno studio sperimentale volto a valutare la capacità degli algoritmi di smascherare le operazioni di insider trading. La ricerca, condotta in collaborazione con la scuola Normale Superiore di Pisa, si è concentrata su due metodi di intelligenza artificiale che potrebbero soppiantare con operazioni svolte nel giro di pochi secondi alcune delle procedure tradizionali, che richiedono invece ore di lavoro umano iper-qualificato.
L’obiettivo della sperimentazione della Consob
“L’identificazione di potenziali casi di abuso di mercato è un’attività complessa e impegnativa a causa dell’enorme volume di dati da trattare e della molteplicità di fattori da prendere in considerazione nella valutazione della condotta operativa di ciascun investitore. L’obiettivo dell’analisi è quello di valutare l’eventuale continuità/discontinuità della condotta e la sua magnitudo, in termini assoluti e relativi”, si legge in una nota di Consob.
Dunque l’intelligenza artificiale non è in grado di fornire nomi e specifiche dell’autore di un eventuale abuso, ma solo quali sono i sospetti abusi di mercato, sottoponendo i casi agli accertamenti digitali preliminari.
Lo studio, sviluppato su data set anonimi, descrive le caratteristiche di due proof of concept che, impiegando metodi di artificial intelligence di tipo unsupervised machine learning, potrebbero utilmente supportare, una volta ultimata la sperimentazione dei prototipi, le analisi preliminari per l’individuazione di soggetti sospetti di condotte di insider trading, cui potrà seguire l’attività di indagine volta a raccogliere ulteriori elementi utili per ipotizzare singole fattispecie di abuso.
I due modelli sviluppati
Il primo modello, impiegato per l’analisi della condotta degli investitori discontinui, utilizza un metodo di clustering analysis, in grado cioè di identificare quei gruppi di investitori la cui attività di trading in prossimità di un evento price sensitive risulta non solo svolta in direzione premiante, ma anche caratterizzata da discontinuità operativa sia rispetto alla precedente storia di trading sia rispetto all’operatività tipica del gruppo di appartenenza.
In particolare, la clustering analysis elabora il modello di trading di ciascun investitore sulla base di selezionati parametri quantitativi (saldo netto in acquisto e vendita, concentrazione di trading e esposizione). Analizzando tali parametri, la metodologia, denominata k-means clustering, identifica gruppi omogenei di investitori con riferimento a uno specifico orizzonte temporale. Infine, attraverso l’analisi dell’evoluzione nel tempo della posizione assunta da ciascun investitore, l’analisi distingue i soggetti che, in prossimità di un evento price sentisitive, risultano aver modificato il loro comportamento di trading.
Il secondo modello mira invece a identificare piccoli gruppi di investitori che agiscono in direzionalità premiante e in modo sincronizzato in prossimità di un evento price sensitive. La metodologia utilizzata, denominata Statistically Validated Networks costruisce – previa caratterizzazione dell’attività di trading di ogni investitore in tre possibili stati: buying, selling, buying-selling – una rete di investitori caratterizzati da un’attività sincrona in termini di stati e di tempistica di trading. Partendo da una rete di investitori statisticamente validata vengono individuati gruppi omogenei di soggetti con attività simile che hanno operato in direzionalità premiante rispetto a un evento price sensitive.
