اگر یک افسر تطبیق یا معامله‌گر حرفه‌ای هستید، می‌دانید که در دنیای معاملات فرکانس بالا (HFT)، تفاوت میان یک استراتژی قانونی و یک کلاهبرداری سازمان‌یافته در چند میلی‌ثانیه گم می‌شود. دست‌کاری‌کنندگان فرکانس بالا می‌توانند نیت فریب‌کارانه خود را در دل هزاران رویداد در سطح میلی‌ثانیه پنهان کنند. حالا AI-QUANT با تحلیل ریزساختار بازار (Market Microstructure)، الگوهای فریب‌کارانه‌ای را که پیش از این پنهان می‌شدند، آشکار می‌کند. با به‌کارگیری هوش مصنوعی روی دفتر سفارشات و جریان‌های معاملاتی، تیم‌های نظارتی در نهایت می‌توانند مدیریت عادی نقدینگی را از حملات هماهنگ‌شده تفکیک کنند.
بازارهای الکترونیکی با سرعتی حرکت می‌کنند که نظارت انسانی یا هشدارهای ساده را بی‌اثر می‌کند. در محیطی که سفارش‌ها تنها برای چند میلی‌ثانیه وجود دارند، تشخیص اینکه یک بازارساز در حال مدیریت ریسک است یا یک بازیگر بد در حال دست‌کاری قیمت (Spoofing)، بدون داده‌های زمینه‌ای عمیق غیرممکن است. این رویکرد جدید، دفتر سفارشات را نه به عنوان یک عکس لحظه‌ای، بلکه مانند جریانی مداوم از سیگنال‌های رفتاری می‌بیند.
مکانیسم‌های دست‌کاری بازار
اسپوفینگ (Spoofing) شامل ثبت سفارشاتی است که هیچ نیت واقعی برای اجرای آن‌ها وجود ندارد و هدف آن ایجاد یک تصور گمراه‌کننده از عرضه یا تقاضاست. برای مثال، یک معامله‌گر ممکن است یک سفارش خرید بزرگ را پایین‌تر از بهترین قیمت خرید (Best Bid) قرار دهد تا قیمت‌ها را به سمت بالا سوق دهد، سپس در جای دیگری یک سفارش فروش را اجرا کند و بلافاصله سفارش خرید اولیه را لغو نماید.
لایه‌بندی (Layering) تاکتیکی مشابه است که در آن سفارشات فریب‌دهنده در چندین سطح قیمتی توزیع می‌شوند. این کار یک دیوار مصنوعی از نقدینگی ایجاد می‌کند که هدف آن تأثیرگذاری بر سایر معامله‌گران یا استراتژی‌های خودکار است.
همان‌طور که در تحلیل‌های پیشین ما درباره امنیت سیستم‌های مالی اشاره کردیم، شناسایی نیت کاربر در داده‌های حجیم، سخت‌ترین بخش نظارت است. طبق گزارشی که در ۱۳ سپتامبر ۲۰۲۶ منتشر شد، خط لوله تشخیص AI-QUANT ابتدا دفتر سفارشات محدود (Limit Order Book) را از طریق پیام‌های زمان‌بندی‌شده بازسازی می‌کند. این سامانه بر چندین معیار حیاتی برای شناسایی ناهنجاری‌ها تمرکز دارد:
- عدم تعادل جریان سفارشات (Order-flow imbalance)، عدم تعادل صف و تغییرات موقعیت در صف سفارشات.
- نسبت لغو به اجرا (Cancellation-to-execution ratios) که با استانداردهای معمول آن نماد مالی تفاوت دارد.
- معاملات در سمت مخالف که در حالی انجام می‌شوند که سفارش‌های فریب‌دهنده بزرگ هنوز فعال و قابل مشاهده هستند.
- الگوهای لایه‌بندی که در آن سفارشات فریب‌دهنده در سطوح قیمتی مختلف پخش می‌شوند تا دیوارهای نقدینگی مصنوعی ایجاد کنند.
- تمرکز نقدینگی و تغییرات کوتاه‌مدت در نوسانات بازار.
جزئیات تشخیص
برای جلوگیری از هشدارهای اشتباه (False Positives)، هوش مصنوعی باید کل توالی رویداد را ارزیابی کند. این تحلیل شامل اندازه سفارش نسبت به عمق معمول در هر سطح قیمتی، فاصله از بهترین قیمت خرید یا فروش (Best Bid/Offer) و زمان دقیق بین ثبت سفارش، واکنش بازار و لغو نهایی سفارش است.
فرآیند تشخیص ناهنجاری در دفتر سفارشات به‌صورت لحظه‌ای در پنج مرحله رخ می‌دهد:
۱. نرمال‌سازی رویدادها: استانداردسازی برچسب‌های زمانی، شناسه‌های سفارش، سمت (خرید/فروش)، قیمت، مقدار و داده‌های مربوط به محل معامله (Venue).
۲. ساخت ویژگی‌های غلتان: اندازه‌گیری سرعت لغو، طول عمر سفارش، تغییرات عمق و عدم تقارن در اجرا.
۳. تعیین خط پایه: مقایسه رفتار فعلی با استانداردهای خاص هر نماد و نرم‌های مربوط به ساعات مختلف روز.
۴. امتیازدهی به توالی‌ها: تخمین اینکه آیا الگو شبیه به قیمت‌گذاری قانونی است یا لایه‌بندی دست‌کاری‌شده.
۵. تولید شواهد: ذخیره و حفظ سفارش‌ها، معاملات، عوامل مدل و خط زمانی دقیق پشت هر هشدار.
به نقل از مستندات فنی، AI-QUANT برای پردازش این حجم از داده از مدل‌های توالی و شبکه‌های عصبی (Neural Network) — شبیه نقشه مترویی که سیگنال‌ها را از ورودی به جواب می‌رساند — استفاده می‌کند. این رویکرد یادگیری عمیق برای تحلیل توالی‌ها، مشابه به‌کارگیری مدل‌های LSTM برای پیش‌بینی نوسانات شدید در بازارهای کریپتو است که بر شناسایی الگوهای زمانی پیچیده متمرکز است. این مدل‌ها به‌جای بررسی تک‌تک سفارش‌ها در انزوا، به پنجره‌های زمانی امتیاز ناهنجاری می‌دهند. همچنین مدل‌های تقویت‌شده گرادیان (Gradient-boosted) یا قوانین ترکیبی می‌توانند مورد استفاده قرار گیرند. علاوه بر این، روش‌های مبتنی بر گراف برای متصل کردن حساب‌های مختلف و نمادهای مختلف به کار می‌روند تا الگوهای رفتاری تکراری در جلسات معاملاتی مختلف شناسایی شوند.
معماری عملیاتی این سیستم برای ایجاد تعادل میان دقت و تأخیر (Latency)، از یک موتور استریمینگ استفاده می‌کند که وضعیت دفتر سفارشات را در حافظه (In-memory) نگه می‌دارد. ویژگی‌ها به‌صورت افزایشی محاسبه شده و به یک طبقه‌بند (Classifier) ارسال می‌شوند. از آنجایی که یک نماد کم‌نوسان استانداردهای متفاوتی نسبت به یک نماد پرنوسان دارد، سیستم هشدارها را بر اساس رژیم نقدینگی فعلی کالیبره می‌کند.
این تغییر متدولوژی، معیار نظارت مالی را دگرگون می‌کند. به‌جای تکیه بر یک امتیاز «جعبه سیاه»، سیستم لایه‌ای از شواهد تولید می‌کند که خط زمانی دقیق و عوامل مدل را حفظ می‌کند. این امر به متخصصان تطبیق اجازه می‌دهد تا «نیت» و «زمینه» را ارزیابی کنند؛ چیزی که هوش مصنوعی به‌تنهایی نمی‌تواند ثابت کند.
برای معامله‌گران حرفه‌ای یا افسران تطبیق، این یعنی کاهش شدید هشدارهای کاذب. با استفاده از خط‌های پایه خاص هر نماد و آستانه‌های حساس به نوسانات، سیستم از برچسب زدن به فعالیت‌های قانونی بازارسازان به‌عنوان فعالیت مشکوک اجتناب می‌کند.
هدف نهایی، گذار از حسابرسی پس‌رویداد (Reactive Auditing) به پیشگیری لحظه‌ای است. وقتی رابطه بین ثبت سفارش، حرکت قیمت و لغو سفارش به‌صورت آنی ثبت شود، پنجره زمانی برای دست‌کاری بسته می‌شود.
در حالی که AI-QUANT پیشرو در این رویکرد کمی است، شرکت‌های دیگری مانند HONEYPOTZ INC و DEEPBODY INC در حال بررسی این هستند که چگونه ترجمه سیگنال‌های حجیم مشابه را در سایر حوزه‌های داده‌محور به کار بگیرند.
برای پیاده‌سازی این سطح از نظارت، تیم‌ها باید تست رانش (Drift Testing) را در اولویت قرار دهند. با تکامل رفتارهای معاملاتی، مدل‌ها نیاز به کالیبراسیون منظم دارند تا تاکتیک‌های جدید دست‌کاری در خط پایه جدید گم نشوند. تیم‌ها باید دقت (Precision)، بازخوانی (Recall)، حجم هشدارها و تأخیر در تشخیص را برای شناسایی قابل‌اعتماد دست‌کاری‌های HFT نظارت کنند.
گام بعدی شما
- بررسی نرخ لغو به اجرای (Cancellation-to-execution) نمادهای تحت نظارت برای شناسایی نقاط کور.
- پیاده‌سازی مدل‌های توالی به‌جای آستانه‌های ثابت برای کاهش هشدارهای کاذب.
- نظارت بر دقت (Precision) و بازخوانی (Recall) مدل‌ها در بازه‌های زمانی مختلف برای شناسایی رانش رفتاری.
اما تأثیر این مدل‌های شناسایی بر نقدینگی کلی بازار حتی پیچیده‌تر است — به تحلیل ما درباره اثرات الگوریتم‌های HFT بر پایداری بازار مراجعه کنید.
گفتگو