Maestría en Ciencias de los Datos y Analítica · 2023
Uso de kernels en series tiempo para la detección de prácticas manipulativas en mercados financieros
Intuitively, one might think that any deviation in trading data could be easily detected due to the statistical basis on which finance sciences are based. However, the markets in which financial assets are traded operate under the principle of supply and demand, as well as the principle of opportunity. Elements that make them very susceptible to price manipulation. For this reason, it is increasingly relevant to consider techniques that allow the identification of elements in financial time series that can deliver information that show whether a stock has been subject of manipulative practices or not. The use of kernels for signals decomposition and filtering in financial time series is then proposed. By using this technique elements of the time series such as power and frequency can be obtained, which can later facilitate the characterization of a stock that has been subject of fraudulent or manipulative trading. Then considering diverse machine learning techniques, achieve a timelier detection based on said characterization, particularly in dynamic and constantly evolving trading environments. For this purpose, the performance of the kernels will be contrasted against traditional techniques, choosing the most appropriate ones. In the same way, various machine learning techniques will be evaluated and the one that best learns and represents the patterns or artifacts in fraudulent operations will be chosen. Trying in this way to raise trading standards in financial markets, as well as delving into the applications that the decomposition and filtering of signals with kernels can have, not only as a data visualization tool, but also as inputs. for machine learning techniques.
Full text 168 pages with text
Read the full thesis Record in the repository
Contents
- INTRODUCCIÓNp. 11
- PLANTEAMIENTO DEL PROBLEMAp. 12
- JUSTIFICACIÓNp. 13
- OBJETIVOSp. 15
- GENERALp. 15
- ESPECÍFICOSp. 15
- MARCO TEÓRICO O MARCO CONCEPTUALp. 16
- DISEÑO METODOLÓGICOp. 23
- Plan de trabajop. 25
- Equipo y rolesp. 25
- Presupuestop. 25
- Productos esperadosp. 25
- Plan de gestión de datosp. 26
- Aspectos Éticosp. 26
- DESARROLLOp. 27
- FÉNOMENOS DE MANIPULACIÓN EN MERCADOS FINANCIEROSp. 27
- Pump and dumpp. 28
- Wash tradep. 28
- Poop and scoopp. 28
- Spoofingp. 29
- Layeringp. 29
- HERRAMIENTAS PARA EL ANÁLISIS DE SEÑALESp. 29
- Espectro de potenciap. 32
- Espectrogramap. 36
- Escalogramap. 39
- SEÑALESp. 44
- Espectro de potenciap. 32
- Espectrogramap. 36
- Espectrogramap. 36
- VENTANEO DE LAS SEÑALESp. 72
- AJUSTE Y SELECCIÓN DE PARÁMETROS PARA LOS KERNELp. 83
- APRENDIZAJEp. 88
- Acercamientos con Aprendizaje de Máquinap. 104
- Selección de Característicasp. 109
- Exploración de modelos de clasificaciónp. 119
- Entrenamiento de modelosp. 131
- Evaluación de modelosp. 134
- Consideraciones Finalesp. 147
- CONCLUSIONESp. 150
- REFERENCIASp. 154
- ANEXOSp. 165
- ANEXO A – FUENTES Y SCRIPTSp. 165
- ANEXO B – SELECCIÓN DE CLÚSTERESp. 166
- ANEXO C – SELECCIÓN INICIAL DE CARACTERÍSTICASp. 167
- ANEXO D – SELECCIÓN final DE CARACTERÍSTICASp. 168
- kernelp. 24
- Figura 2. Representación en el dominio temporal de una señal complejap. 31
- Figura 3. Representación de una discontinuidad en una señalp. 33
- Figura 4. Resolución Espectralp. 34
- Figura 5. Representación gráfica del espectro de potenciap. 35
- Figura 6. Representación gráfica de un espectrogramap. 36
- Figura 7. Estimación de los segmentos de un espectrogramap. 38
- Figura 8. Segmentos resultantes luego de solapar muestrasp. 39
- Figura 9. Representación gráfica del proceso de cálculo de un escalogramap. 41
- Figura 10. Representación gráfica de la CWT mediante un escalogramap. 42
- dumpp. 48
- ventana de tiempo más cortap. 49
- ventana temporal a un añop. 50
- wash trade con ventana de 3 díasp. 57
- wash trade con ventana de 3 díasp. 57
- Figura 17. Diversos porcentajes de solapamiento para las ventanasp. 60
- las wavelets analíticasp. 65
- Figura 20. Wavelets Analíticas Recomendadasp. 66
- resolución frecuencial y temporalp. 68
- Figura 22. Comportamiento de la wavelet Morse con diversos parámetrosp. 70
- dump en diversas ventanas de volatilidadp. 83
- tipo pump and dump con volatilidad de 30 díasp. 85
- trade con diversos valores de Betap. 89
- trade con diversos valores Gammap. 90
- Figura 27. Representación del filtrado de eventos reflectivos en una señalp. 95
- Figura 28. Representación de las diversas vistas de un escalogramap. 97
- Figura 29. Representación de clústeres mediante k-medoidsp. 106
- Figura 30. Grafo de k-distancias para la estimación clústeres en DBSCANp. 107
- Figura 32. Proporción de la varianza por característicap. 115
- Figura 33. Análisis PCA sobre las características frecuencialesp. 118
- Figura 34. Ejemplo de árbol de clasificaciónp. 121
- Figura 35. Ejemplo de árbol de clasificaciónp. 127
- Figura 36. Ejemplo de k-fold cross-validationp. 133
- Figura 37. Matriz de confusión y estadísticos de desempeñop. 135
- Figura 38. Ejemplo de curva ROC para modelo KNN Fino (k = 1)p. 137
- Figura 39. Ejemplo del proceso de optimización de Bayesp. 142
- Figura 40. Gráfico de error de clasificaciónp. 143
- Figura 41. Selección de predictores mediante algoritmo ReliefFp. 145
- Figura 42. Curva ROC para modelo KNN Optimizadop. 146
- Optimizadop. 147
- Tabla 1. Análisis de diversos modelos de clasificaciónp. 120
- Tabla 2. Desempeño de los modelos de clasificaciónp. 138
- “ReliefF”p. 144