JP6932680B2

JP6932680B2 - 売買審査装置、売買審査方法及び売買審査プログラム

Info

Publication number: JP6932680B2
Application number: JP2018206232A
Authority: JP
Inventors: 健一中原; 史也島田; 邦洋宮崎; 正之関根; 大澤　昇平; 昇平大澤; 眞大島; 豊松尾
Original assignee: University of Tokyo NUC
Current assignee: University of Tokyo NUC
Priority date: 2018-11-01
Filing date: 2018-11-01
Publication date: 2021-09-08
Anticipated expiration: 2038-11-01
Also published as: JP2020071751A

Description

本発明は、売買審査装置、売買審査方法及び売買審査プログラムに関する。

従来、株式市場等の金融商品市場における不公正取引の疑いがある取引を検出するため、売買審査が行われている。売買審査は、不公正取引が疑われる事案を抽出する調査段階と、抽出された事案を詳細に分析する審査段階を含む。

調査段階を自動化する試みとして、下記非特許文献１には、不公正取引の疑いがある取引に関するデータであるか否かを示すラベルを取引データに付与して、不公正取引が疑われる事案を抽出するモデルを教師有り学習によって生成する技術が記載されている。

J. Zhai, Y. Cao, Y. Yao, X. Ding, and Y. Li, "Computational intelligent hybrid model for detecting disruptive trading activity", Decision Support Systems, 2017, Vol. 93, p. 26-41

非特許文献１に記載の技術では、不公正取引の疑いがある取引に関するデータであるか否かを示すラベルを取引データに付与して教師データを作成する必要がある。そのため、教師データを作成するコストが過大となる。

また、予め定められた抽出基準に従って不公正取引が疑われる取引を抽出する方法が実務で採用されているが、これは、市場全体を統一的に取り扱っているものの、売買高２０％関与率等の数値的な基準に基づく抽出であり、不公正取引の疑いのある取引も疑いのない取引も同時に抽出され、抽出結果は不公正取引の疑いのない取引が大部分を占めている。従って、既存の手法では、不公正取引の疑いのある取引を効率良く抽出することが困難である。

そこで、本発明は、教師データを必要としない学習モデルによって不公正取引が疑われる取引データであるか判定する売買審査装置、売買審査方法及び売買審査プログラムを提供する。

本発明の一態様に係る売買審査装置は、金融商品の売買に関する第１取引データと、金融商品の売買に関し、第１取引データと異なる第２取引データとに基づいて、密度比関数により第１取引データの確率分布と第２取引データの確率分布との密度比を推定する推定部と、密度比関数に基づき、第２取引データの異常度を算出する算出部と、異常度に基づき、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定する第１判定部と、を備える。

この態様によれば、第１取引データの確率分布と第２取引データの確率分布との密度比を推定することで、第１取引データの確率分布と第２取引データの確率分布とを直接推定する必要がなくなり、教師データを必要としない学習モデルによって第２取引データの異常度を算出することができる。これにより、教師データを必要としない学習モデルによって、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定することができる。

上記態様において、第１取引データは、第２取引データよりも長い期間の取引データであってもよい。

この態様によれば、第１取引データの期間が第２取引データの期間よりも長いことで、第１取引データの確率分布によって通常の取引の確率分布を表すことができ、第２取引データの異常度を適切に算出することができる。

上記態様において、第１取引データ及び第２取引データは、所定期間の売買注文量に関するデータを含んでもよい。

この態様によれば、売買注文量の急増や急減を捉えることができ、第２取引データに見せ玉等の不公正取引が疑われる第１被疑データが含まれるか判定することができる。

上記態様において、第１取引データ及び第２取引データは、所定期間の売買注文のキャンセル量に関するデータを含んでもよい。

この態様によれば、売買注文のキャンセル量の急増や急減を捉えることができ、第２取引データに見せ玉等の不公正取引が疑われる第１被疑データが含まれるか判定することができる。

上記態様において、第１判定部は、第２取引データに含まれるデータのうち、異常度が上位所定割合に属するデータを第１被疑データと判定してもよい。

この態様によれば、異常度について絶対的な閾値を設定することなく、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定することができる。

上記態様において、第１判定部は、第２取引データに含まれるデータのうち、異常度が上位所定割合に属し、所定期間の値幅が第１閾値以上であるデータを第１被疑データと判定してもよい。

この態様によれば、異常度について絶対的な閾値を設定せずに、値幅について第１閾値を設定することで、第２取引データに不公正取引が疑われる第１被疑データが含まれるかより高精度に判定することができる。

上記態様において、第１判定部は、第２取引データに含まれるデータのうち、異常度が上位所定割合に属し、所定期間の出来高が第２閾値以上であるデータを第１被疑データと判定してもよい。

この態様によれば、異常度について絶対的な閾値を設定せずに、出来高について第２閾値を設定することで、第２取引データに不公正取引が疑われる第１被疑データが含まれるかより高精度に判定することができる。

上記態様において、異常度の時間変化を示す第１グラフを生成するグラフ生成部をさらに備えてもよい。

この態様によれば、異常度の時間変化が直感的に把握できるようになり、不公正取引が疑われる期間が一目で把握できるようになる。

上記態様において、グラフ生成部は、第２取引データの時間変化を示し、第２取引データのうち第１被疑データを識別可能に示す第２グラフをさらに生成してもよい。

この態様によれば、第２取引データのうち第１被疑データを識別可能に示す第２グラフによって、不公正取引が疑われる箇所が一目で把握できるようになる。

上記態様において、予め定められた基準に基づき、第２取引データに不公正取引が疑われる第２被疑データが含まれるか判定する第２判定部をさらに備え、第２グラフは、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示してもよい。

この態様によれば、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すことで、学習モデルによって抽出された第１被疑データと、予め定められた基準に基づきで抽出された第２被疑データとの共通点と相違点を一目で把握することができる。

上記態様において、第２取引データの時間変化を示し、第２取引データのうち第１被疑データを識別可能に示す取引明細表を生成する明細表生成部をさらに備えてもよい。

この態様によれば、第２取引データのうち第１被疑データを識別可能に示す取引明細表によって、不公正取引が疑われる箇所が一目で把握できるようになる。

上記態様において、予め定められた基準に基づき、第２取引データに不公正取引が疑われる第２被疑データが含まれるか判定する第２判定部をさらに備え、取引明細表は、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示してもよい。

この態様によれば、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すことで、学習モデルによって抽出された第１被疑データと、予め定められた基準に基づき抽出された第２被疑データとの共通点と相違点を一目で把握することができる。

本発明の他の態様に係る売買審査方法は、金融商品の売買に関する第１取引データと、金融商品の売買に関し、第１取引データと異なる第２取引データとに基づいて、密度比関数により第１取引データの確率分布と第２取引データの確率分布との密度比を推定することと、密度比関数に基づき、第２取引データの異常度を算出することと、異常度に基づき、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定することと、を含む。

本発明の他の態様に係る売買審査プログラムは、金融商品の売買に関する第１取引データと、金融商品の売買に関し、第１取引データと異なる第２取引データとに基づいて、密度比関数により第１取引データの確率分布と第２取引データの確率分布との密度比を推定する推定部、密度比関数に基づき、第２取引データの異常度を算出する算出部、及び異常度に基づき、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定する第１判定部、として機能させる。

本発明によれば、教師データを必要としない学習モデルによって不公正取引が疑われる取引データであるか判定する売買審査装置、売買審査方法及び売買審査プログラムが提供される。

本発明の実施形態に係る売買審査システムの概要を示す図である。本実施形態に係る売買審査装置の機能ブロックを示す図である。本実施形態に係る売買審査装置の物理的構成を示す図である。本実施形態に係る売買審査装置により実行される第１処理のフローチャートである。本実施形態に係る売買審査装置により実行される第１被疑データの判定処理のフローチャートである。本実施形態に係る売買審査装置により実行される第２処理のフローチャートである。本実施形態に係る売買審査装置による取引データの分類を示す図である。本実施形態に係る売買審査装置により生成される取引明細表を示す図である。本実施形態に係る売買審査装置により生成される第１グラフを示す図である。本実施形態に係る売買審査装置により生成される第２グラフを示す図である。

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」と表記する。）を、図面に基づいて説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。

図１は、本発明の実施形態に係る売買審査システム１００の概要を示す図である。売買審査システム１００は、売買審査装置１０、第１ユーザ端末２０、第２ユーザ端末３０、証券会社データベース４０及び情報ベンダデータベース５０を備える。なお、同図に示す構成は、売買審査システム１００の一例であり、売買審査システム１００は、これ以外の構成を含んでもよいし、この中の一部の構成を備えなくてもよい。

売買審査装置１０は、金融商品の売買に関する取引データを解析し、取引データに不公正取引が疑われる被疑データが含まれるか判定する。不公正取引としては、インサイダー取引、相場操縦取引、風説の流布、仮名取引等が含まれる。本実施形態では、売買審査装置１０によって、取引データに見せ玉による相場操縦取引が疑われる被疑データが含まれるか判定する場合について説明する。

第１ユーザ端末２０及び第２ユーザ端末３０は、売買審査を行う事業者が用いる端末である。第１ユーザ端末２０及び第２ユーザ端末３０は、それぞれ独立に、異なる取引データについて不公正取引が行われていないか審査するため、売買審査装置１０に対して被疑データの抽出を依頼する。

証券会社データベース４０は、顧客データＤＢ１及び取引データＤＢ２を有する。証券会社データベース４０は、顧客に関する情報を顧客データＤＢ１に記憶し、顧客の識別情報と関連付けて、その顧客の取引データを取引データＤＢ２に記憶している。証券会社データベース４０は、必要に応じて匿名加工処理を施した後、取引データを売買審査装置１０に提供する。

情報ベンダデータベース５０は、マーケットデータＤＢ３を有する。情報ベンダデータベース５０は、金融商品の気配情報及び注文情報（以下「板情報」という。）並びに約定情報等の相場情報を時系列データとしてマーケットデータＤＢ３に記憶している。情報ベンダデータベース５０は、任意の時間間隔で記録された金融商品の板情報及び相場情報を売買審査装置１０に提供する。

図２は、本実施形態に係る売買審査装置１０の機能ブロックを示す図である。売買審査装置１０は、取得部１１、推定部１２、算出部１３、第１判定部１４、第２判定部１５、明細表生成部１６及びグラフ生成部１７を備える。

取得部１１は、顧客データＤＢ１、取引データＤＢ２及びマーケットデータＤＢ３から、顧客情報、取引データ及びマーケットデータを取得する。なお、取得部１１は、少なくとも金融商品の板情報及び相場情報を含む取引データを取得し、顧客情報については必ずしも取得しなくてもよい。

推定部１２は、金融商品の売買に関する第１取引データと、金融商品の売買に関し、第１取引データと異なる第２取引データとに基づいて、密度比関数により第１取引データの確率分布と第２取引データの確率分布との密度比を推定する。ここで、第１取引データは、第２取引データよりも長い期間の取引データであってよい。例えば、第２取引データは、株式の一日分の取引データであってよく、第１取引データは、それ以前一週間分の同じ株式に関する取引データであってよい。第１取引データ及び第２取引データは、無作為に選択されてよい。その場合、第１取引データに不公正取引が疑われる取引データが含まれる場合があり得るが、第１取引データの期間が第２取引データの期間よりも長いことで、第１取引データの確率分布によって通常の取引の確率分布を近似することができ、第２取引データの異常度を適切に算出することができる。

第１取引データ及び第２取引データは、所定期間の売買注文量に関するデータを含んでよい。これにより、売買注文量の急増や急減を捉えることができ、第２取引データに見せ玉の不公正取引が疑われる第１被疑データが含まれるか判定することができる。

また、第１取引データ及び第２取引データは、所定期間の売買注文のキャンセル量に関するデータを含んでよい。これにより、売買注文のキャンセル量の急増や急減を捉えることができ、第２取引データに見せ玉等の不公正取引が疑われる第１被疑データが含まれるか判定することができる。

第１取引データをｘ_i（ｉ＝１〜ｎ）と表し、第２取引データをｘ´_i（ｉ＝１〜ｎ´）と表し、第１取引データの確率分布をｑ（ｘ）と表し、第２取引データの確率分布をｑ´（ｘ）と表し、密度比関数をｒ（ｘ）＝ｑ´（ｘ）／ｑ（ｘ）と定義する。このとき、推定部１２は、所定の基底関数φ_k（ｘ）（ｋ＝１〜ｂ）を用いて、ｒ（ｘ）＝Σ_k=1 ^bｗ_kφ_k（ｘ）のｗ_kを算出することで、密度比関数を算出してよい。ここで、基底関数は、例えば、第２取引データをｘ´_iから無作為にｂ個のデータｃ_k（ｋ＝１〜ｂ）を抽出し、
φ_k（ｘ）＝Ｋσ（ｘ，ｃ_k）と選んでよい。ここで、Ｋσは、標準偏差がσであるガウスカーネルである。

推定部１２は、密度比関数の二乗誤差を最小化するようにｗ_kを算出してよい。このとき、ｗ_kに関する二次の正則化項を追加すると、ｗ_kの解析解は以下の数式（１）で与えられる。

数式（１）において太字で示した量は、ベクトル又は行列であることを表している。ここで、右辺の行列Ｈは、以下の数式（２）で与えられる量である。

すなわち、行列Ｈは、ｂ×ｂ行列であり、基底関数φ_kに第１取引データｘ_iを代入した値により構成される。

また、数式（１）の右辺のベクトルｈは、以下の数式（３）で与えられる量である。

すなわち、ベクトルｈは、基底関数φ_kに第２取引データｘ´_iを代入した値により構成される。

また、数式（１）の右辺のＩ_bは、ｂ×ｂの単位行列を表し、係数λは、二次の正則化項のラグランジュ未定乗数である。

なお、数式（１）によりベクトルｗの成分が負になる場合、その成分を０に置き換えてよい。このようにして、推定部１２は、第１取引データ及び第２取引データを与えられた場合に、密度比を高速に推定することができる。

算出部１３は、密度比関数に基づき、第２取引データの異常度を算出する。第２取引データをｘと表し、密度比関数をｒ（ｘ）と表し、異常度をａ（ｘ）と表すとき、算出部１３は、ａ（ｘ）＝−ｌｏｇ［ｒ（ｘ）］により異常度を算出してよい。ここで、ｌｏｇは自然対数であってよい。このように異常度を算出することで、密度比関数が１に近い場合に、異常度はほぼ０であり、密度比関数が１より小さくなった場合に、異常度が正のピークを示す。すなわち、第１取引データの確率分布と第２取引データの確率分布の差が小さい場合に異常度はほぼ０であり、第１取引データの確率分布と第２取引データの確率分布の乖離が大きい場合に、異常度が正のピークを示す。

第１判定部１４は、異常度に基づき、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定する。より具体的には、第１判定部１４は、第２取引データに含まれるデータのうち、異常度が上位所定割合に属するデータを第１被疑データと判定してよい。このように判定することで、異常度について絶対的な閾値を設定することなく、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定することができる。

第１判定部１４は、第２取引データに含まれるデータのうち、異常度が上位所定割合に属し、所定期間の値幅が第１閾値以上であるデータを第１被疑データと判定してもよい。このように、異常度について絶対的な閾値を設定せずに、値幅について第１閾値を設定することで、第２取引データに不公正取引が疑われる第１被疑データが含まれるかより高精度に判定することができる。

また、第１判定部１４は、第２取引データに含まれるデータのうち、異常度が上位所定割合に属し、所定期間の出来高が第２閾値以上であるデータを第１被疑データと判定してもよい。このように、異常度について絶対的な閾値を設定せずに、出来高について第２閾値を設定することで、第２取引データに不公正取引が疑われる第１被疑データが含まれるかより高精度に判定することができる。

第２判定部１５は、予め定められた基準に基づき、第２取引データに不公正取引が疑われる第２被疑データが含まれるか判定する。第２判定部１５は、例えば、所定期間の売買注文量が閾値以上であるか、所定期間の売買注文のキャンセル量が閾値以上であるか、所定期間の値幅が閾値以上であるか、所定期間の出来高が閾値以上であるかといった基準を用いて、第２取引データに不公正取引が疑われる第２被疑データが含まれるか判定してよい。

明細表生成部１６は、第２取引データの時間変化を示し、第２取引データのうち第１被疑データを識別可能に示す取引明細表を生成する。取引明細表は、第１ユーザ端末２０及び第２ユーザ端末３０に送信されてよい。取引明細表は、例えば、株式の取引データの時間変化を表すものであってよく、市場、銘柄の識別情報、顧客の識別情報、注文の識別情報、取引日時、出来高及び約定価格を含んでよいが、その他の情報を含んでもよい。取引明細表は、特定の銘柄についての約定の履歴を表すいわゆる歩み値を示す表であってよい。明細表生成部１６は、第２取引データのうち第１被疑データをハイライト表示したり、大きく表示したりすることで、強調して表示してよい。第２取引データのうち第１被疑データを識別可能に示す取引明細表によって、不公正取引が疑われる箇所が一目で把握できるようになる。

取引明細表は、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すものであってもよい。取引明細表は、例えば、第１被疑データを第１の色（例えばオレンジ）でハイライト表示し、第２被疑データを第２の色（例えば黄）でハイライト表示し、第１被疑データと第２被疑データの重なりを第３の色（例えば赤）でハイライト表示するものであってよい。第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すことで、学習モデルによって抽出された第１被疑データと、予め定められた基準に基づき抽出された第２被疑データとの共通点と相違点を一目で把握することができる。

グラフ生成部１７は、異常度の時間変化を示す第１グラフを生成する。第１グラフは、第１ユーザ端末２０及び第２ユーザ端末３０に送信されてよい。第１グラフは、例えば１秒毎に第２取引データの異常度をプロットしたグラフであってよい。第１グラフにより、異常度の時間変化が直感的に把握できるようになり、不公正取引が疑われる期間が一目で把握できるようになる。

グラフ生成部１７は、第２取引データの時間変化を示し、第２取引データのうち第１被疑データを識別可能に示す第２グラフをさらに生成してよい。第２グラフは、例えば株式の価格変動を示すグラフであってよく、第１被疑データに相当する区間をハイライト表示するものであってよい。第２取引データのうち第１被疑データを識別可能に示す第２グラフによって、不公正取引が疑われる箇所が一目で把握できるようになる。

第２グラフは、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すものであってもよい。第２グラフは、例えば、第１被疑データの区間を第１の色（例えばオレンジ）でハイライト表示し、第２被疑データの区間を第２の色（例えば黄）でハイライト表示し、第１被疑データと第２被疑データが重なる区間を第３の色（例えば赤）でハイライト表示するものであってよい。第２グラフは、取引明細表と対応する態様で、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すものであってよい。第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すことで、学習モデルによって抽出された第１被疑データと、予め定められた基準に基づき抽出された第２被疑データとの共通点と相違点を一目で把握することができる。

図３は、本実施形態に係る売買審査装置１０の物理的構成を示す図である。売買審査装置１０は、演算部に相当するＣＰＵ（Central Processing Unit）１０ａと、記憶部に相当するＲＡＭ（Random Access Memory）１０ｂと、記憶部に相当するＲＯＭ（Read Only Memory）１０ｃと、通信部１０ｄと、入力部１０ｅと、表示部１０ｆと、を有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。なお、本例では売買審査装置１０が一台のコンピュータで構成される場合について説明するが、売買審査装置１０は、複数のコンピュータが組み合わされて実現されてもよい。また、図３で示す構成は一例であり、売買審査装置１０はこれら以外の構成を有してもよいし、これらの構成のうち一部を有さなくてもよい。

ＣＰＵ１０ａは、ＲＡＭ１０ｂ又はＲＯＭ１０ｃに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。ＣＰＵ１０ａは、取引データに不公正取引が疑われるデータが含まれるか判定するプログラム（売買審査プログラム）を実行する演算部である。ＣＰＵ１０ａは、入力部１０ｅや通信部１０ｄから種々のデータを受け取り、データの演算結果を表示部１０ｆに表示したり、ＲＡＭ１０ｂやＲＯＭ１０ｃに格納したりする。

ＲＡＭ１０ｂは、記憶部のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＡＭ１０ｂは、ＣＰＵ１０ａが実行する売買審査プログラム、取引データといったデータを記憶してよい。なお、これらは例示であって、ＲＡＭ１０ｂには、これら以外のデータが記憶されていてもよいし、これらの一部が記憶されていなくてもよい。

ＲＯＭ１０ｃは、記憶部のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ＲＯＭ１０ｃは、例えば売買審査プログラムや、書き換えが行われないデータを記憶してよい。

通信部１０ｄは、売買審査装置１０を他の機器に接続するインターフェースである。通信部１０ｄは、インターネット等の通信ネットワークＮに接続されてよい。

入力部１０ｅは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード及びタッチパネルを含んでよい。

表示部１０ｆは、ＣＰＵ１０ａによる演算結果を視覚的に表示するものであり、例えば、ＬＣＤ（Liquid Crystal Display）により構成されてよい。表示部１０ｆは、取引データの取引明細表と、異常度の第１グラフと、取引データの第２グラフとを表示してよい。

売買審査プログラムは、ＲＡＭ１０ｂやＲＯＭ１０ｃ等のコンピュータによって読み取り可能な記憶媒体に記憶されて提供されてもよいし、通信部１０ｄにより接続される通信ネットワークを介して提供されてもよい。売買審査装置１０では、ＣＰＵ１０ａが売買審査プログラムを実行することにより、図２を用いて説明した様々な動作が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、売買審査装置１０は、ＣＰＵ１０ａとＲＡＭ１０ｂやＲＯＭ１０ｃが一体化したＬＳＩ（Large-Scale Integration）を備えていてもよい。

図４は、本実施形態に係る売買審査装置１０により実行される第１処理のフローチャートである。はじめに、売買審査装置１０は、１週間分の第１取引データを取得し（Ｓ１０）、それに続く１日分の第２取引データを取得する（Ｓ１１）。

その後、売買審査装置１０は、第１取引データと第２取引データに基づいて、密度比関数により第１取引データの確率分布と第２取引データの確率分布との密度比を推定する（Ｓ１２）。また、売買審査装置１０は、密度比関数により得られた密度比に基づき、第２取引データの異常度を算出する（Ｓ１３）。

さらに、売買審査装置１０は、異常度に基づき、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定する（Ｓ１４）。このように、本実施形態に係る売買審査装置１０によれば、変量に対して確率分布を仮定せずに第１取引データの確率分布と第２取引データの確率分布との密度比を推定することで、第１取引データの確率分布と第２取引データの確率分布とを直接推定する必要がなくなり、教師データを必要としない学習モデルによって第２取引データの異常度を算出することができる。これにより、教師データを必要としない学習モデルによって、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定することができる。

図５は、本実施形態に係る売買審査装置１０により実行される第１被疑データの判定処理のフローチャートである。同図では、図４に示した、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定する処理（Ｓ１４）の詳細を示している。

はじめに、売買審査装置１０は、異常度の上位５０％に属するデータを抽出する（Ｓ１４１）。もっとも、異常度が上位何割に属するデータを抽出するかは、適宜調整することができる。

売買審査装置１０は、異常度が上位５０％に属するデータのうち、値幅が第１閾値以上のデータに絞り込みを行う（Ｓ１４２）。さらに、売買審査装置１０は、出来高が第２閾値以上のデータに絞り込みを行う（Ｓ１４３）。そして、売買審査装置１０は、絞り込まれたデータを第１被疑データと判定する（Ｓ１４４）。

図６は、本実施形態に係る売買審査装置１０により実行される第２処理のフローチャートである。同図では、図４に示した第１処理の後に行われる第２処理を示している。

はじめに、売買審査装置１０は、異常度の時間変化を示す第１グラフを生成する（Ｓ１５）。また、売買審査装置１０は、予め定められた基準に基づき、第２取引データに不公正取引が疑われる第２被疑データが含まれるか判定する（Ｓ１６）。

そして、売買審査装置１０は、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示す取引明細表を生成する（Ｓ１７）。また、売買審査装置１０は、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すグラフを生成する（Ｓ１８）。

最後に、売買審査装置１０は、生成した第１グラフ、第２グラフ及び取引明細表をユーザ端末に送信する（Ｓ１９）。以上により、第２処理が終了する。

図７は、本実施形態に係る売買審査装置１０による取引データの分類を示す図である。売買審査装置１０は、第１判定部１４によって、第２取引データに不公正取引が疑われる第１被疑データが含まれるか判定し、第２判定部１５によって、第２取引データに不公正取引が疑われる第２被疑データが含まれるか判定する。同図では、第１判定部１４によって不公正取引の疑いありと判定され、かつ、第２判定部１５によって不公正取引の疑いありと判定された場合を（１）と表している。このように、第１被疑データかつ第２被疑データである場合を第１種被疑データと呼ぶ。

また、第１判定部１４によって不公正取引の疑いなしと判定されたが、第２判定部１５によって不公正取引の疑いありと判定された場合を（２）と表している。このように、第１被疑データではないが第２被疑データである場合を第２種被疑データと呼ぶ。

また、第１判定部１４によって不公正取引の疑いありと判定されたが、第２判定部１５によって不公正取引の疑いなしと判定された場合を（３）と表している。このように、第１被疑データであるが第２被疑データでない場合を第３種被疑データと呼ぶ。

最後に、第１判定部１４によって不公正取引の疑いなしと判定され、かつ、第２判定部１５によって不公正取引の疑いなしと判定された場合を（４）と表している。

以下に示す表１は、第２判定部１５により第２取引データに不公正取引が疑われるデータが含まれるか判定した結果と、同じ第２取引データを専門家が分析し、不公正取引が疑われるデータが含まれるか判定した結果とをまとめた表である。

表１によれば、ルールベースの第２判定部１５による判定では、専門家が不公正取引の疑なしと判断した９１件中８４件が、不公正取引が疑われるデータとして抽出されている。

反対に、ルールベースの第２判定部１５による判定では、専門家が不公正取引の疑いありと判断した２７件中２５件が、不公正取引が疑われるデータとして抽出されている。

これらの数値から、第２判定部１５による判定について、不公正取引が疑われるデータの取り逃がしがないか表すRecall Rateは、（２５）／（２５＋２）×１００＝９２．５９％と高いが、不公正取引が疑われるデータの取り間違いがないか表すPrecision Rateは、（２５）／（２５＋８４）×１００＝２２．９４％と低いことがわかる。すなわち、ルールベースの第２判定部１５による判定は、取り逃しをほとんどしないが、取り間違いが多いことを意味している。そのため、従来の売買審査業務では、不公正取引が疑われるデータの中から不公正取引の疑いがないデータを取り除く作業に多大な時間が費やされている。

次に、以下に示す表２は、第１判定部１４により、異常度に基づいて第２取引データに不公正取引が疑われるデータが含まれるか判定した結果と、同じ第２取引データを専門家が分析し、不公正取引が疑われるデータが含まれるか判定した結果とをまとめた表である。

表２によれば、異常度に基づく第１判定部１４による判定では、専門家が不公正取引の疑なしと判断した９１件中３７件が、不公正取引が疑われるデータとして抽出されている。

反対に、異常度に基づく第１判定部１４による判定では、専門家が不公正取引の疑いありと判断した２７件中２２件が、不公正取引が疑われるデータとして抽出されている。

これらの数値から、異常度に基づく第１判定部１４による判定について、不公正取引が疑われるデータの取り逃がしがないか表すRecall Rateは、（２２）／（２２＋５）×１００＝８１．４８％と高く、不公正取引が疑われるデータの取り間違いがないか表すPrecision Rateも、（２２）／（２２＋３７）×１００＝３７．２９％と高いことがわかる。すなわち、異常度に基づく第１判定部１４による判定は、取り逃しをほとんどせず、ルールベースの場合に比較して取り間違いも少なく、より実用に適していることを意味している。

次に、以下に示す表３は、第１判定部１４により、異常度、値幅及び出来高に基づいて第２取引データに不公正取引が疑われるデータが含まれるか判定した結果と、同じ第２取引データを専門家が分析し、不公正取引が疑われるデータが含まれるか判定した結果とをまとめた表である。

表３によれば、異常度、値幅及び出来高に基づく第１判定部１４による判定では、専門家が不公正取引の疑なしと判断した９１件中１７件が、不公正取引が疑われるデータとして抽出されている。

反対に、異常度、値幅及び出来高に基づく第１判定部１４による判定では、専門家が不公正取引の疑いありと判断した２７件中２２件が、不公正取引が疑われるデータとして抽出されている。

これらの数値から、異常度、値幅及び出来高に基づく第１判定部１４による判定について、不公正取引が疑われるデータの取り逃がしがないか表すRecall Rateは、（２２）／（２２＋５）×１００＝８１．４８％と高く、不公正取引が疑われるデータの取り間違いがないか表すPrecision Rateも、（２２）／（２２＋１７）×１００＝５６．４１％と高いことがわかる。すなわち、異常度、値幅及び出来高に基づく第１判定部１４による判定は、取り逃しをほとんどせず、取り間違いもルールベースの場合に比べて２．４６倍（５６．４１％／２２．９４％＝２．４６）少ないことを意味している。このように、本実施形態に売買審査装置１０によれば、不公正取引が疑われるデータの取り逃がしを少なくしつつ、取り間違いも少なくして、売買審査業務の効率化に資することができる。

図８は、本実施形態に係る売買審査装置１０により生成される取引明細表を示す図である。売買審査装置１０の明細表生成部１６は、第２取引データの時間変化を示し、第２取引データのうち第１被疑データを識別可能に示す取引明細表を生成する。本例の取引明細表は、株式の取引データの時間変化を表すものであり、「市場」、「銘柄」の識別情報、「顧客」の識別情報、「注文」の受付番号（識別情報）、「取引日」、「受注時間」、「売買区分」、「訂正区分」、「数量」及び「単価」を含む。具体的には、「市場」は「東証Ｍ」すなわち東証マザーズであり、「銘柄」は「ＡＡＡＡ」（証券コード）であり、「顧客」の識別情報は、「９２３４５６７８」等の８桁の番号であり、「受付番号」は「９８７６５４３２１」等の９桁の連続番号である。また、「取引日」は「２０１４／６／１７」（２０１４年６月１７日）であり、「受注時間」は「８：０１：５４」（８時１分５４秒）等である。さらに、「売買区分」は「買」又は「売」であり、「訂正区分」は「訂正」又は「取消」である。「数量」は、売買注文の数量を表し、「１００」等であり、「単価」は、指値注文の場合に「１４，２００」（１万４千２百円）等であり、成り行き注文の場合に「成行」である。

取引明細表は、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すものであってよい。本例では、取引明細表は、第１被疑データを破線で示す第１領域Ａにより強調表示し、第１被疑データと第２被疑データの重なりを一点鎖線で示す第２領域Ｂにより強調表示し、第２被疑データを二点鎖線で示す第３領域Ｃにより強調表示している。このように、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すことで、学習モデルによって抽出された第１被疑データと、予め定められた基準に基づき抽出された第２被疑データとの共通点と相違点を一目で把握することができる。なお、本例では、図示を簡明にするため第１領域Ａ、第２領域Ｂ及び第３領域Ｃによって第１被疑データ、第１被疑データと第２被疑データの重なり及び第２被疑データを識別可能に示しているが、売買審査装置１０は、これらのデータをハイライト表示したり、大きく表示したりすることで、強調して表示してもよい。

図９は、本実施形態に係る売買審査装置１０により生成される第１グラフを示す図である。売買審査装置１０のグラフ生成部１７は、異常度の時間変化を示す第１グラフを生成する。第１グラフは、例えば１秒毎に第２取引データの異常度をプロットしたグラフであってよい。本例では、横軸に時刻を示し、縦軸に異常度の数値を示して、買い注文の取り消し数量に関する異常度ａ１を実線で示し、売り注文の取り消し数量に関する異常度ａ２を破線で示し、買い気配数量に関する異常度ａ３を一点鎖線で示し、売り気配数量に関する異常度ａ４を二点鎖線で示している。

本例の第１グラフによれば、９時頃に買い気配数量に関する異常度ａ３及び売り気配数量に関する異常度ａ４が二本のピークを形成している。また、１０時頃から１０時半頃に４種類の異常度全てが複数のピークを形成している。さらに、１３時半頃に売り気配数量に関する異常度ａ４がピークを形成しており、１４時半頃に買い気配数量に関する異常度ａ３がピークを形成している。このように、第１グラフにより、異常度の時間変化が直感的に把握できるようになり、不公正取引が疑われる期間が一目で把握できるようになる。

図１０は、本実施形態に係る売買審査装置１０により生成される第２グラフを示す図である。売買審査装置１０のグラフ生成部１７は、第２取引データの時間変化を示し、第２取引データのうち第１被疑データを識別可能に示す第２グラフをさらに生成してよい。本例の第２グラフは、横軸に時刻を示し、縦軸に種々の取引データの値を示している。具体的には、上段から順に、買い気配数量と売り気配数量（ｑｕｏｔｅｖｏｌｕｍｅ）、買い注文の取り消し数量と売り注文の取り消し数量（ｃａｎｃｅｌｖｏｌｕｍｅ）、買い注文の約定待ち数量に対する取り消し数量の比と売り注文の約定待ち数量に対する取り消し数量の比（ｃａｎｃｅｌｖｏｌｕｍｅｒａｔｉｏｏｖｅｒｏｒｄｅｒｂｏｏｋｖｏｌｕｍｅ）、買い注文の約定待ち上位１０注文の数量と売り注文の約定待ち上位１０注文の数量（ｏｒｄｅｒｂｏｏｋｖｏｌｕｍｅｏｎ１０ｌｅｖｅｌｓ）、出来高（ｔｒａｄｅｄｖｏｌｕｍｅ）及び価格推移（ｐｒｉｃｅｔｒａｎｓｉｔｉｏｎ）を含む。

本例では、第２グラフは、第１被疑データを破線で示す第１領域Ａにより強調表示し、第１被疑データと第２被疑データの重なりを一点鎖線で示す第２領域Ｂにより強調表示し、第２被疑データを二点鎖線で示す第３領域Ｃにより強調表示している。このように、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すことで、学習モデルによって抽出された第１被疑データと、予め定められた基準に基づき抽出された第２被疑データとの共通点と相違点を一目で把握することができる。なお、本例では、図示を簡明にするため第１領域Ａ、第２領域Ｂ及び第３領域Ｃによって第１被疑データ、第１被疑データと第２被疑データの重なり及び第２被疑データを識別可能に示しているが、売買審査装置１０は、これらのデータをハイライト表示したり、大きく表示したりすることで、強調して表示してもよい。

第２グラフに表示されている第１領域Ａ、第２領域Ｂ及び第３領域Ｃは、図８に示す取引明細表に表示されている第１領域Ａ、第２領域Ｂ及び第３領域Ｃと対応している。このように、第２グラフ及び取引明細表の両方で第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりを識別可能に示すことで、第２グラフ及び取引明細表で情報を補完しながら被疑データの詳細を確認することができる。

なお、本例では、図９に示す第１グラフと図１０に示す第２グラフとを別々に図示しているが、第１グラフと第２グラフは、横軸を共有するように並べて表示されてよい。第１グラフ及び第２グラフを、横軸を共有するように表示することで、異常度がピークを形成している時刻と、第１被疑データ、第２被疑データ及び第１被疑データと第２被疑データの重なりとを容易に比較することができる。

以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

１０…売買審査装置、１０ａ…ＣＰＵ、１０ｂ…ＲＡＭ、１０ｃ…ＲＯＭ、１０ｄ…通信部、１０ｅ…入力部、１０ｆ…表示部、１１…取得部、１２…推定部、１３…算出部、１４…第１判定部、１５…第２判定部、１６…明細表生成部、１７…グラフ生成部、２０…第１ユーザ端末、３０…第２ユーザ端末、４０…証券会社データベース、５０…情報ベンダデータベース、１００…売買審査システム、ＤＢ１…顧客データ、ＤＢ２…取引データ、ＤＢ３…マーケットデータ

Claims

金融商品の取引に基づく前記金融商品の板情報及び相場情報を時系列データとして含む、前記金融商品のマーケットデータのうち、所定の期間における前記金融商品の取引を示す第１取引データと、前記金融商品の売買審査の対象となり、前記所定の期間より後の期間における前記金融商品の取引を示す第２取引データとに基づいて、密度比関数により前記第１取引データの確率分布と前記第２取引データの確率分布との密度比を推定する推定部と、
前記密度比関数に基づき、前記第２取引データの異常度を算出する算出部と、
前記異常度に基づき、前記第２取引データに、相場操縦取引が疑われる第１被疑データが含まれるか判定する第１判定部と、
を備える売買審査装置。
前記第１取引データは、前記第２取引データよりも長い期間におけるデータである、
請求項１に記載の売買審査装置。
前記第１取引データ及び前記第２取引データは、売買注文量を示すデータを含む、
請求項１又は２に記載の売買審査装置。
前記第１取引データ及び前記第２取引データは、売買注文のキャンセル量を示すデータを含む、
請求項１から３のいずれか一項に記載の売買審査装置。
前記第１判定部は、前記第２取引データのうち、前記異常度が上位所定割合に属するデータを前記第１被疑データと判定する、
請求項１から４のいずれか一項に記載の売買審査装置。
前記第１判定部は、前記第２取引データのうち、前記異常度が上位所定割合に属し、所定期間の値幅が第１閾値以上であるデータを前記第１被疑データと判定する、
請求項５に記載の売買審査装置。
前記第１判定部は、前記第２取引データのうち、前記異常度が上位所定割合に属し、所定期間の出来高が第２閾値以上であるデータを前記第１被疑データと判定する、
請求項５又は６に記載の売買審査装置。
前記異常度の時間変化を示す第１グラフを生成するグラフ生成部をさらに備える、
請求項１から７のいずれか一項に記載の売買審査装置。
前記グラフ生成部は、前記第２取引データの時間変化を示し、前記第２取引データのうち、前記金融商品の銘柄ごとの、注文量、キャンセル量、前記板情報に基づく一以上の価格における注文量、及び価格変動の項目について、前記第１被疑データを識別可能に示す第２グラフをさらに生成する、
請求項８に記載の売買審査装置。
所定の証券会社における予め定められた基準に基づき抽出された第２被疑データのうち、相場操縦取引が疑われる前記第１被疑データが含まれるか判定する第２判定部をさらに備え、
前記第２グラフは、前記第１被疑データ、前記第２被疑データ及び前記第１被疑データと前記第２被疑データの時系列における重なりを識別可能に示す、
請求項９に記載の売買審査装置。
所定の証券会社における予め定められた基準に基づき抽出された第２被疑データのうち、相場操縦取引が疑われる前記第１被疑データが含まれるか判定する第２判定部と、
前記第２被疑データのうち、前記取引の時刻が前記第１被疑データの前記取引の時刻と一致する前記第２被疑データを識別可能に示す取引明細表を生成する明細表生成部と、をさらに備える、
請求項１から１０のいずれか一項に記載の売買審査装置。
前記推定部は、前記密度比を、非制約最小二乗密度比推定法を用いて算出する、
請求項１から１１のいずれか一項に記載の売買審査装置。
コンピュータが、
金融商品の取引に基づく前記金融商品の板情報及び相場情報を時系列データとして含む、前記金融商品のマーケットデータのうち、所定の期間における前記金融商品の取引を示す第１取引データと、前記金融商品の売買審査の対象となり、前記所定の期間より後の期間における前記金融商品の取引を示す第２取引データとに基づいて、密度比関数により前記第１取引データの確率分布と前記第２取引データの確率分布との密度比を推定することと、
前記密度比関数に基づき、前記第２取引データの異常度を算出することと、
前記異常度に基づき、前記第２取引データに、相場操縦取引が疑われる第１被疑データが含まれるか判定することと、
を含む売買審査方法。
売買審査装置に備えられたコンピュータを、
金融商品の取引に基づく前記金融商品の板情報及び相場情報を時系列データとして含む、前記金融商品のマーケットデータのうち、所定の期間における前記金融商品の取引を示す第１取引データと、前記金融商品の売買審査の対象となり、前記所定の期間より後の期間における前記金融商品の取引を示す第２取引データとに基づいて、密度比関数により前記第１取引データの確率分布と前記第２取引データの確率分布との密度比を推定する推定部、
前記密度比関数に基づき、前記第２取引データの異常度を算出する算出部、及び
前記異常度に基づき、前記第２取引データに、相場操縦取引が疑われる第１被疑データが含まれるか判定する第１判定部、
として機能させる売買審査プログラム。