证劵市场大数据监察系统的理论、方法及应用研究

In the web environment, the diffusion and transmission of information brings challenges for security market surveillance. Existing market surveillance systems (MSS) mainly focus on analyzing trading activities, limiting their effectiveness in fulfilling needs on information surveillance. In this project, we investigate the kernel theories, meta requirements, meta design, design methods, and testable hypothesis from both design product and design process aspects following Walls’s work on design science. To implement the design method, we propose a common-sense based big data analysis method to construct the multi-level relationships between different concepts. To justify the proposed design theory, we use a group of testable hypotheses. In application, the study will focus on the problems of prototype system, inspecting process, and visualization. The study contributes to the field of design science, and also has implications to the big data analysis and market surveillance fields.

在网络环境下，信息的易扩散和易传播为证券市场监管带来了新的挑战。现有的市场监察系统主要用于分析市场指标性数据，对非结构化信息的处理能力较弱。鉴于此，本课题从设计理论的角度出发，根据Walls等人在1992年提出的系统设计框架，从设计产物和设计过程两个方面研究大数据市场监察系统的核心理论，设计需求、设计方法及系统评价。为具体实现设计理论提出的需求，本课题拟进一步研究基于常识知识的大数据挖掘方法，旨在从多层次和粒度上构造信息元素之间的关联关系。同时, 为全面评价系统的设计理论和方法，本课题还将研究大数据市场监察系统的评价框架。在应用层面上，本课题将根据理论研究开发原型系统，并对市场监察业务流程、线索可视化和重点线索识别等应用问题进行研究。因此，本课题立足于设计科学，以设计理论来指导方法实现和系统开发，丰富了设计科学的研究。同时，对大数据分析和市场监察等领域均有着较大的实践意义。

市场监察系统是监视金融市场以打击市场舞弊的信息系统。尽管市场监察系统在监管交易行为并识别违规操纵方面有着重要的应用，但其现有功能有限。现有市场监察系统的功能主要集中在量价操纵的识别上，对互联网环境下虚假信息操纵的案例识别能力有限。本项目针对这一问题，提出结合量价交易数据和文本信息数据进行综合违规案例识别的新型市场监察系统。在项目中，我们提出了针对这一新型信息系统的设计理论框架。另外提供了基于常识知识的市场违规交易识别方法。这一方法融合了常识知识的推理，在自动违规线索识别和挖掘中起到了关键作用。在理论和方法的基础上，项目实现了监察系统的原型并进行了检验。检验数据来源于监察机构监管人员标注的历史违规案例。实验结果表明，利用常识知识推理的算法可以将案例识别的准确率和F-score提高10%到20%，并大大减少了人工成本。项目的实施证明了利用设计科学框架进行信息系统开发和设计的有效性，并提供了具体的算法有效提高市场监察领域的工作效率。