Na užurbanoj njujorškoj trgovinskoj sali, trgovac obveznicama šali se u chatu o “guranju cijene” prije narudžbe klijenta, misleći da će se poruka izgubiti u buci tisuća dnevnih razgovora. Godinama kasnije, regulatori otkrivaju chat u istrazi o nepropisnom ponašanju i banka plaća ogromnu kaznu. Takve priče potaknule su banke da potraže bolje alate koji mogu vidjeti obrasce koje ljudi propuštaju i odgovoriti u minutama, a ne godinama. Danas svaku trgovinu, poruku i poziv može nadzirati umjetna inteligencija. Banke u Sjedinjenim Državama sada koriste AI nadzor u trgovanju kako bi skenirali oceane podataka, označili sumnjivo ponašanje gotovo u stvarnom vremenu i zadovoljili stroge regulatore, dok se studenti i profesionalci utrkuju da razumiju kako ova tehnologija funkcionira i kako će oblikovati njihove karijere.
Ključne točke
- AI nadzor u trgovanju prati trgovine i komunikacije kako bi otkrio trgovanje na temelju povjerljivih informacija, manipulaciju i ostalo nepropisno ponašanje.
- Banke koriste strojno učenje i obradu prirodnog jezika kako bi smanjile lažne uzbune i uhvatile složeno ponašanje.
- AI nadzor stvara pitanja privatnosti i postavlja nova očekivanja od američkih regulatora i zaposlenika.
- AI vođena usklađenost otvara snažne karijerske putove za ljude koji kombiniraju vještine financija, podataka i etike.
Što je AI nadzor u trgovanju?
Definicija – Što je AI nadzor u trgovanju?
AI nadzor u trgovanju je korištenje strojnog učenja i analize podataka za nadzor trgovina i komunikacija radi otkrivanja znakova zlouporabe tržišta, trgovanja na temelju povjerljivih informacija i drugih nepropisnih ponašanja.
Banke ovo također nazivaju AI trgovinskim nadzorom ili AI pokretanom usklađenošću. Sustavi prate mnogo više od trgovinskih tiketa. Također prate e-mailove, chatove, glasovne pozive i aktivnost na trgovinskim sustavima. Ovi alati spadaju u širu temu strojnog učenja i analize podataka, koju mnogi čitatelji mogu dalje proučavati kroz standardne resurse osnova strojnog učenja. AI nadzor se prebacio u mainstream korištenje u velikim bankama. Istraživanje Banke za međunarodna poravnanja iz 2022. izvijestilo je da više od polovice globalnih banaka koristi neki oblik strojnog učenja u zadacima usklađenosti ili rizika, uključujući nadzor, s mnogim velikim američkim tvrtkama među njima [BIS 2022]. Za čitatelje koji istražuju kako slične tehnike podržavaju kontrole prijevara, resursi o AI otkrivanju prijevara u bankarstvu i fintechu mogu pružiti koristan kontekst.
Cilj je jednostavan. Rano otkriti sumnjive aktivnosti, prijaviti ih kada je potrebno i spriječiti velike kazne i štetu reputaciji. AI sustavi djeluju kao stalni monitor koji nikad ne spava, što tradicionalni timovi za ručnu provjeru ne mogu pokriti. Ovo stalno pokrivanje također uvjerava odbore i regulatore da tvrtka tretira rizik ponašanja kao osnovnu kontrolu, a ne sporedni zadatak.
Kako AI otkriva nepropisno ponašanje trgovaca?
Brzi odgovor – Kako AI otkriva nepropisno ponašanje trgovaca?
AI sustavi otkrivaju nepropisno ponašanje trgovaca tako što uzimaju zapise trgovina, narudžbe i komunikacije, pretvaraju ih u strukturirane značajke i koriste modele za uočavanje neobičnih obrazaca ili rizičnog jezika. Kada se ponašanje podudara s poznatim profilima zlouporabe ili značajno odstupa od normalne aktivnosti, sustav generira upozorenja za ljudske timove za usklađenost na pregled.
Četverostupanjski nadzorni cjevovod
Korak 1 – Prikupljanje podataka: svaki klik, trgovina i poruka
Banke počinju prikupljanjem svih podataka koji bi mogli signalizirati nepropisno ponašanje. Osnovni izvori uključuju zapise trgovina i narudžbi s vremenima, cijenama i veličinama. Također uključuju tržišne podatke kao što su kotacije i volumeni s burzi. Nadzor komunikacija pokriva e-mailove, interne chat platforme, snimljene telefonske pozive i često mobilne poruke kada politika to dopušta. Izvješće FINRA-e iz 2023. naglasilo je da tvrtke moraju nadzirati digitalne komunikacije kroz tradicionalne i novije kanale uključujući tekstove i aplikacije za razmjenu poruka [FINRA 2023].
Banke također bilježe ponašanje sustava. To može uključivati vremena prijave, pristup osjetljivim datotekama i neke obrasce tipkovnice ili miša. Ovi detalji pomažu u otkrivanju dijeljenja računa ili pokušaja zaobilaženja kontrola. U velikim institucijama, volumen je ogroman. Nasdaq je opisao klijente koji prate stotine milijuna trgovinskih događaja dnevno sa svojom SMARTS nadzornom tehnologijom [Nasdaq 2020]. Volumeni komunikacije mogu doseći milijune poruka i tisuće poziva dnevno u jednoj globalnoj banci. Ovi brojevi pokazuju zašto lideri sada vide AI nadzor kao dio šireg pomaka gdje se investicijske banke moraju zagrliti AI kroz osnovne tijekove rada rizika.
Korak 2 – Pretvaranje sirovih podataka u signale
Sirovi podaci nisu korisni dok se ne pretvore u signale, koje znanstvenici podataka nazivaju značajkama. Značajka je svojstvo koje se može izmjeriti i koje pomaže modelu odlučiti izgleda li nešto normalno ili rizično. Za trgovinske podatke, značajke mogu uključivati veličinu narudžbe u usporedbi s uobičajenom veličinom trgovca ili učestalost otkazivanja za određeni instrument. Vremenske značajke uspoređuju trgovine s ključnim događajima, kao što su iznenađujuće najave zarade ili vijesti o spajanjima.
Za komunikacije, značajke počinju osnovnim brojenjem i označavanjem. Primjeri uključuju koliko često trgovac chatira s određenim kontaktom ili koristi kasne noćne poruke izvan normalnih sati. Značajke prirodnog jezika su naprednije. Modeli prate fraze poput “van zapisnika” ili “ne govori nikome”, koje su privukle pažnju u prošlim skandalima. Korisnici koji žele više detalja mogu proučavati značajke u strojnom učenju kroz standardne resurse koji objašnjavaju kako se podaci pripremaju za modele. Ovi koncepti također se pojavljuju u područjima poput generativnog AI u bankarstvu, gdje jezični modeli pretvaraju nestrukturirani tekst u signale rizika.
Korak 3 – Modeli koji uče obrasce
Nakon stvaranja značajki, banke primjenjuju modele. Nadzirano učenje koristi prošle označene slučajeve. Na primjer, regulatori ili interne istrage mogu označiti stotine trgovina kao dokazane događaje trgovanja na temelju povjerljivih informacija. Znanstvenici podataka treniraju modele na ovim primjerima plus sličnim normalnim trgovinama. Model tada uči ocjenjivati nove trgovine prema sličnosti s prošlim nepropisnim ponašanjem. Istraživanja u časopisima kao što je Journal of Financial Economics pokazala su da modeli strojnog učenja mogu otkrivati abnormalne trgovinske obrasce vezane uz vijesti učinkovitije od jednostavnih pravila [Jagolinzer et al., 2021].
Nenadzirano učenje se bavi nepoznatim obrascima. Ovi modeli ne trebaju oznake. Uče što izgleda normalno za svakog trgovca, odjel ili proizvod, zatim označavaju velika odstupanja od tog obrasca. Ovo se često naziva otkrivanje anomalija. Može uočiti nove manipulativne taktike koje banke prije nisu vidjele. Obrada prirodnog jezika, često skraćeno kao NLP, radi na e-mailovima, chatovima i transkriptima. NLP sustavi klasificiraju poruke po temi, osjećaju i riziku. Dobavljači poput Behavox-a i NICE Actimize opisuju NLP modele koji označavaju kodirani jezik, agresivne prodajne taktike ili pokušaje prebacivanja razgovora s nadziranih kanala [Behavox 2023; NICE Actimize 2022]. Za dublje proučavanje, čitatelji mogu istražiti nadzirano i nenadzirano učenje, te NLP modele, u uvodnom AI materijalu.
Korak 4 – Upozorenja, ljudski pregled i regulatorna izvješća
AI sustavi proizvode rezultate za svaki događaj ili klaster događaja, kao što je trgovina plus povezane poruke. Kada rezultat prođe prag, sustav generira upozorenje. Upozorenja se usmjeravaju analitičarima usklađenosti koji pregledavaju kontekst, prikupljaju više podataka i odlučuju je li slučaj lažan ili pravi. Izvješće Deloitte-a primijetilo je da učinkoviti AI nadzorni programi mogu smanjiti lažna upozorenja za 20 do 40 posto dok poboljšavaju stope pravog otkrivanja, oslobađajući analitičare da se usredotoče na pravi rizik [Deloitte 2021].
Ako analitičari potvrde sumnjivo ponašanje, dokumentiraju slučaj i poduzimaju radnju. To može uključivati internu disciplinu ili promjene u kontrolama. Kada je potrebno, banke podnose izvješća poput Izvješća o sumnjivim aktivnostima Američkoj mreži za provedbu financijskih zločina ili obavještavaju Komisiju za vrijednosne papire i burze. Regulatorna tijela, uključujući SEC i Komisiju za trgovanje robnim terminskim ugovorima, također koriste vlastite alate za analizu podataka za uočavanje obrazaca kroz tržišta [SEC 2020; CFTC 2020]. Ovi regulatorni alati često sjede pokraj širih investicija u AI i kibernetičku sigurnost, koji štite trgovinsku infrastrukturu i komunikacijske kanale od vanjskih prijetnji.
Ključne vrste nepropisnog ponašanja trgovaca koje AI može otkriti
Kratka lista – Ključne vrste nepropisnog ponašanja trgovaca koje AI može otkriti
- Trgovanje na temelju povjerljivih informacija temeljeno na nejavnim informacijama.
- Manipulacija tržišta poput spoofing-a i layering-a.
- Prednja trgovina klijentskih narudžbi i zlouporaba informacija.
- Zavjera i dijeljenje informacija između odjela ili tvrtki.
- Pogrešna prodaja, kršenje politika i neprikladan jezik u chatovima i pozivima.
Brzi prikazi slučajeva
Razmotrimo trgovca koji opetovano kupuje dionice u ciljanoj tvrtki kratko prije najava spajanja. Tijekom mjeseci, obrazac bi mogao pobjeći ručnim preglednicima. AI model uspoređuje to trgovčevo vrijeme s normalnim ponašanjem i s javnim vijestima. Ponavljane profitabilne trgovine prije velikih događaja pobuđuju upozorenje za trgovanje na temelju povjerljivih informacija. Akademske studije dokumentirale su da abnormalni povrati oko vijesti mogu signalizirati takvo ponašanje, koje se može otkriti kroz kvantitativno pregled [Jagolinzer et al., 2021].
Slučajevi manipulacije tržišta, poput spoofing-a na tržištima terminskih ugovora, često