Danske forskere udvikler kunstig intelligens til at afsløre børssvindel

Institut for Ingeniørvidenskab, Aarhus Universitet, står i spidsen for et nyt projekt, der skal komme børssvindel og kursmanipulation til livs. Forskerne vil bruge kunstig intelligens til at rydde op i den omfattende svindel, der foregår i dag, og hvor kontrol primært udføres via manuelle stikprøver.

Et hold forskere fra Aarhus Universitet (AU) har netop modtaget en bevilling på 2,8 mio. kr. fra Danmarks Frie Forskningsfond til et projekt, der kan få afgørende betydning for hele verdens aktiehandel.

Teamet, som ledes af lektor ved Institut for Ingeniørvidenskab og ekspert i machine learning, Alexandros Iosifidis, skal nemlig udvikle et system, der kan udpege mistænkelige handler på alverdens børser autonomt – noget, der i dag udføres gennem manuelle stikprøver.

”De løsninger med kunstig intelligens, som vi målrettet går efter, kræver langt mindre manuelt arbejde, reducerer omkostningerne og er samtidig langt mere effektive end nutidens kontroller,” siger Alexandros Iosifidis.

Ingen ved i dag, hvor store beløb der globalt bliver svindlet for, når det kommer til handel med værdipapirer, men FTC, den føderale handelskommission i USA, regner med, at tallet alene for USA beløber sig til mellem 10-40 mia. dollars årligt.

Der findes mange forskellige former for snyd med værdipapirer, og svindlen udgør en bombe under tilliden til hele idéen om det markedsøkonomiske princip om udbud og efterspørgsel.

Her kan et solidt, automatisk værn mod børsmanipulation således være afgørende for et gennemsigtigt aktiemarked, mener Alexandros Iosifidis.

Projektet skal derfor designe helt nye metoder, der ved hjælp af machine learning kan foretage systematiske analyser af børsaktiviteter, genkende irregulære handler og afdække mønstre i aktiekurs-data og på den måde detektere og endog forudsige kursmanipulation på tværs af aktiehandel i hele verden.

”Vi arbejder ud fra en hypotese om, at handler i én aktie påvirker den fremtidige handel med andre aktier i særlige mønstre, der kan genkendes med data-drevne analyser. Vi fokuserer på registrering af handelsaktivitet baseret på hop i gennemsnitspriser af aktier, og vi vil detektere disse i faktiske børsdata for at afdække relationer mellem aktiehandler og irregulære handelsaktiviteter,” siger han.

Projektet, der går under navnet ”Data-Driven Inter-Stock Predictive Analytics” eller ”DISPA” løber i tre år og koordineres af lektor Alexandros Iosifidis.