Market Manipulation e Surveillance Systems: l'utilizzo di tecniche di Data Mining
(stage presso CONSOB)

Enrico Maria Scurati, Facoltà Scienze Bancarie Finanziarie ed Assicurative - Università Cattolica del Sacro Cuore
Relatore: prof. Federico Rajola

La Tesi ha l'obiettivo di verificare come sia possibile impiegare le tecniche dei sistemi di Data Mining nei processi di vigilanza e sorveglianza dei mercati organizzati per gli scambi di valori mobiliari. In particolare, intende individuare quali tecniche risultino più adatte ad essere utilizzate nella generazione automatica di allarmi in presenza di situazioni di mercato anomale, generalmente definite di Market Manipulation o aggiotaggio, analogamente a quanto avviene ormai da alcuni anni nelle principali borse mondiali.

In tal senso sono state verificate le potenzialità di queste innovative tecniche di analisi dati presso gli Uffici CONSOB della sede di Milano dove, insieme ad un gruppo di funzionari dell'Ufficio Insider Trading, ho collaborato al progetto per la realizzazione di nuove funzionalità da inserire nell'attuale sistema di sorveglianza utilizzato. Attualmente, infatti, presso la CONSOB si sta valutando l'opportunità di utilizzare le tecniche di Data Mining per alcune attività di sorveglianza dei mercati di borsa italiani.

In particolare il lavoro si è focalizzato sulla sperimentazione, verifica e test della possibilità d'implementazione di Reti Neurali, applicate alla risoluzione di compiti di tipo classificatorio e di stima. Questa classe di strumenti, dopo alcuni mesi di test, sembra incontrare le esigenze tecnico/operative richieste per la realizzazione di nuove funzionalità ed algoritmi. Sembra che esse consentano di migliorare l'attuale sistema nella produzione di allarmi tempestivi e mirati, per individuare ed interrompere andamenti anomali ed illegali nelle quotazioni dei titoli negoziati.

La parte iniziale (primo capitolo) è dedicata all'approfondimento dei sistemi di Data Mining, una delle fasi del più ampio processo di ricerca ed analisi definito Knowledge Discovery in Database, KDD, di cui sono evidenziate le caratteristiche di multidisciplinarietà, iteratività ed interattività. Sono stati quindi individuati gli obiettivi di un processo di Data Mining, definiti task, che sono: classificazione, estimation, segmentazione, associazione, sequencing, previsione e modellazione.

Successivamente, nel secondo capitolo, tramite una trattazione analitica, sono state evidenziate le caratteristiche, delle più affermate tecniche utilizzabili nell'implementazione di sistemi di Data Mining. Ad ognuna di esse sono state associate le attività per cui risultano essere più adatte, mostrando alcune implementazioni di diversi ambiti economici.
Per far ciò sono state impiegate le conoscenze apprese frequentando una serie di corsi di formazione e specializzazione presso SAS Institute Italia, grazie ad un accordo tra il CeTIF dell'U.C.S.C. e SAS Institute, per la sperimentazione di tecniche di Data Mining in ambito finanziario.

Nel terzo capitolo sono state individuate le aree in cui i sistemi di Data Mining possono essere efficacemente impiegati nei sistemi di Fraud Detection e di Surveillance Systems. A completamento sono riportati i tratti salienti di alcuni sistemi operativi in Borse Valori straniere.
Nella parte finale sono stati approfonditi gli aspetti relativi all'apparato di vigilanza italiano: prima con un sintetica analisi del contesto normativo oggi in vigore, focalizzando l'attenzione su competenze e funzioni di vigilanza; poi trasferendo il frutto dell'esperienza presso la CONSOB. Sono quindi state analizzate le tecniche e le modalità operative attualmente utilizzate per il monitoraggio dei mercati orientate all'individuazione di fenomeni di Market Manipulation ed aggiotaggio; successivamente, il lavoro svolto per verificare gli spazi di integrazione con le Reti Neurali.

Conclusioni
Si è giunti alla conclusione che l'implementazione di sistemi orientati alla sorveglianza dei mercati di borsa basati su tecniche di Data Mining, Reti Neurali in particolare, consente di conseguire vantaggi di non trascurabile rilievo.

Tuttavia l'impiego di dette tecniche può rivelarsi difficoltoso a causa delle seguenti motivazioni:

1. lo sviluppo e la progettazione di sistemi basati su tecniche di Data Mining richiede l'adeguamento di competenze e professionalità interne;
2. il grado di riservatezza di dati ed informazioni impedisce in molti casi di delegare all'esterno le attività di analisi, precludendo in molti casi scelte di outsourcing;
3. sono necessari quindi interventi formativi per l'adeguamento delle competenze per la gestione delle nuove tecnologie e per un reale sfruttamento delle stesse;
4. è necessaria l'integrazione tra i diversi strumenti ed algoritmi che producono gli allarmi, operazione che è risultata piuttosto difficile e complessa a causa delle molteplici fonti informative;
5. è necessario, in alcuni casi, ridefinire i processi interni relativi alle attività di sorveglianza, ed individuare quegli interventi di gestione del cambiamento che consentano uno sfruttamento efficace ed efficiente di tali tecnologie innovative.