速度とレジームを考慮した日中オプション市場操作の検出と説明可能な帰属

本論文は、日中（intraday）のオプション市場操作を検出するための、速度（velocity）と市場状態（regime）を考慮したパイプラインを提案している。操作の痕跡は短時間で大量のクオートに埋もれ、通常のボラティリティと統計的に類似するため検出が難しい。著者らは、市場状態の水準ではなく速度に現れるpump-and-crashパターンに着目し、分単位の検出パイプラインを構築した。具体的には、指数オプションのDelta速度と株式の価格速度を平滑化し、SHAP attributionを用いて各アラートを説明する。テスト期間は厳密にout-of-sampleとし、閾値は評価前に固定する。

従来の検出器は再現率を高めようとすると多くの正常日をフラグし、精度が低下して規制当局が対応できないという問題があった。本手法は、市場状態の水準ではなく速度に着目することで、操作に特有の動的シグネチャを捉え、高い再現率を維持しつつ精度の低下を抑える点が新しい。また、SHAP attributionにより各アラートの説明可能性を提供し、市場状態（regime）をHMMで推定して条件付ける試みも含むが、これは再現率と精度のトレードオフをもたらすという教訓的な結果を示している。

手法の核は、市場状態の速度（velocity）に基づく動的シグネチャの抽出である。具体的には、分単位のデータからオプションのDelta速度と株式の価格速度を計算し、平滑化する。検出にはautoencoderを用い、再構成誤差が閾値を超えた場合にアラートを出す。各アラートはSHAP attributionで説明される。市場状態はhidden Markov model (HMM)で推定し、状態に応じて検出を条件付ける試みも行う。データは時間的に厳密に分割され、テスト期間は完全にout-of-sampleである。

インドのBANKNIFTY指数オプションのロックされたテストデータを用いて、規制当局が特定した10件の操作日すべてをplain autoencoderが検出した。また、米国の低流動性株式（SEC v. Patel）においても同じ動的シグネチャが現れ、pump-reversal shape scoreが申し立てられた操作日をAUC 0.91（ARQQ）および0.81（ACY）でランク付けした。ARQQの具体例では、スコアが申し立ての分単位ウィンドウ内でピークに達した。さらに、SHAP attributionの分析により、未確認のアラートは規制当局が特定した日と同様のattributionプロファイル（コサイン類似度0.99）を持つことが示された。

市場状態（regime）をHMMで推定して検出を条件付けると、再現率と精度のトレードオフが生じ、精度は約25%に留まった。これは、regimeが記述的に明確であっても検出性能を向上させないことを示す。また、精度の上限は検出器の失敗ではなく、不完全な執行ラベル（enforcement labels）によるものと解釈される。シグネチャの形状は市場や商品タイプを超えて転移するが、速度の大きさは転移しない。議論として、closed-world assumption（ラベルなし日は正常とみなす）の下での精度評価の限界が挙げられる。

要旨で参照されている研究や関連手法として、autoencoderによる異常検出、SHAP attribution、hidden Markov model (HMM)による市場状態推定、SEC v. Patelの事例が挙げられる。次に読むべき論文としては、これらの基礎となる異常検出の一般的手法や、市場マイクロ構造における操作検出の既存研究が考えられるが、具体的なタイトルは要旨からは不明である。