大数据助力证监会稽查“老鼠仓”

简介:     “老鼠仓”的监控防范与查处,一直都是监管难题。  一位证监会人士就曾经指出,对公募基金公司与从业人员内幕交易的查处存在一定的难度与盲点,这些机构的人通常都比较懂法律,通常在程序上做得很“完善”。

0.jpg


    “老鼠仓”的监控防范与查处,一直都是监管难题。
  一位证监会人士就曾经指出,对公募基金公司与从业人员内幕交易的查处存在一定的难度与盲点,这些机构的人通常都比较懂法律,通常在程序上做得很“完善”。
  然而,2013年的马乐事件开启了“老鼠仓”稽查的新变化。从此,传统的人工对比对抗“硕鼠”,开始走向“云端”稽查的现代化精细分析,这或也是近期老鼠仓查处频现高潮的原因所在。
  “我们的大数据监管现在其实做得很好,都快赶上淘宝的大数据了,能够瞬间比对出账户关系,交易偏好和逻辑,是个"神器"。”一位接近交易所人士对记者指出。

  捕鼠“神器”
  “老鼠仓”隐蔽性强,可以从开户、资金、交易等多方面进行规避,难以发现。
  “老鼠仓”的手法也一直在更新与演变。从最早发现的通过第三人账户先于基金建仓前便买入相关股票;到后面发现的采用证券账户多地挪移,账户资金通过亲属、朋友等十余人银行账户多道过桥,并通过MSN或Skype号码下达指令让他人下单等方式。
  自2009年2月“老鼠仓”入刑以来,有5件案件共8人被追究刑事责任。事实上,此前的“老鼠仓”查处案件,线索来源多来自于举报与现场突击检查等,或是从其他案件顺延发现线索。这也使得长效的监控防范机制一度难以全面。
  然而,2013年的马乐事件开启了“老鼠仓”稽查的新变化。2014年1月8日,博时基金原基金经理马乐涉嫌“老鼠仓”案已进入审理阶段,深圳市中院已立案,预计今年4月份会有初步结果。
  对于案发缘由,有“举报说”、“内斗说”等传言。但根据证监会此前公布的调查细节显示,该案线索来源于上海证券交易所的日常监控,其通过海量数据筛查比对及时发现了该案线索。
  据了解,2013年4月,上交所市场监察部监控显示,严某等三个个人A股账户与博时精选基金账户交易股票存在很高的趋同性,共涉及股票29只。作为重要线索,上交所将其上报中国证监会,随后证监会稽查局将线索移交深圳稽查局调查。
  从此,隐蔽性极高的“老鼠仓”便引入了新的调查利器。
  2013年陆续披露出一系列公募基金从业人员涉嫌利用非公开信息交易被调查的事件,新的捕鼠"神器"已经逐渐显示威力。
  据21世纪经济报道记者了解,此前被披露的一系列涉嫌老鼠仓案件调查,其线索来源正是来自于交易所日常监控下的大数据分析。事实上,交易所的一线监控数据监测由来已久,此前更多的体现在二级市场异动监察之中。
  这种流程是,一旦交易所的监控系统发现某只股票有异常交易行为,监管层便会立刻锁定在此期间交易的几十个甚至是上百个可疑账户,这些账户可能分布在全国几十个不同的营业部,监管层在进行筛选后,便会调动各省的派出机构核查人员对这些账户同时展开调查,此外还要找到上市公司的内幕知情人。然后逐一对这些目标的账户资金来源、个人联系做调查。
  根据证监会披露的信息显示,目前各个证券期货交易所都全面建立了预警驱动、信息驱动相结合的异常交易监察模式。
  其中沪、深证券交易所市场监控系统计算能力值得关注,已经可以实现实时监控技术,智能化调查分析功能。
  上交所异动指标分为4大类72项,敏感信息分为3级共11大类154项;深交所建立了9大报警指标体系,合计204个具体项目。
  比如深交所监察系统即可同步实现超过204个报警指标、300项实时与历史统计查询、60余项专用调查分析、100多种监管报表监测分析等功能,每年处理的各类实时报警信息14万余次,平均每个交易日处理报警600余次。
  这些数据指标带来的效果是提供了每年过半数的案件线索,比如2012年1月至11月,证监会共计处理各类证券违法案件线索363件,比2011年全年增长25%。其中,来源于交易所线索185件,占比51%,是最主要的案件线索来源;2013年1月至10月,证监会受理的违法违规线索中,沪深交易所报送占比则为54%。
  而马乐案带来的突破,则将大数据运用引向了新的应用领域,比如上述交易所人士所提及的账户关系对比、交易偏好和逻辑等,这一系列指标体系和数据处理能力都给原有的稽查暗角带来新的突破。
  据21世纪经济报道记者了解,交易所对“老鼠仓”等交易行为建立了专项核查和定期报告制度,目前交易所已建立实时监控机制,专项核查机制,联动监控机制,智能化监控机制四位一体的监控体系。
  这或也是春节前传出的新一批基金涉嫌老鼠仓案件调查高潮的起源,彼时有业内人士透露,这一事件或涉及超过20名基金经理被调查。最新的消息显示,此前2013年传出的上海系列基金经理被调查也正在陆续进展当中。

  云端稽查
  事实上,这场捕鼠大戏背后,是一种新的技术手段改变原有调查模式。早在2013年4月份,证监会便特别提出要着力强化稽查执法监测预警机制建设。
  当时,证监会指出,监管部门着重加强自身对市场违法违规行为监测预警和执法综合管理平台建设,开始筹划和分步实施以“一个平台、四个系统”为核心的稽查执法综合管理平台建设工程。该系统着眼于紧盯资本市场违法违规行为,实行精准严厉打击,规划建设监测预警与线索发现、案件管理、调查分析、复核审理等四个信息系统。
  要努力实现案件线索由被动接受向主动发现转变,案件管理由单一封闭管理向多元开放管理转变,查案分析及复核审理由传统粗放的人工比对向现代精细的模型分析转变,并为全面建设证券监管“数字稽查”系统打下良好基础。
  这种由传统人工对比转变至现代化数字稽查的定调,使得稽查走向“云端”。
  随后,在2013年的8月份的稽查升级会议中,证监会也专门强调要强化稽查执法信息技术保证。
  包括组建稽查执法技术服务中心,加强新型取证工具和数据分析系统的研发和使用,提高快速取证能力。发布实施《关于加强证券期货经营机构客户交易终端信息等客户信息管理的规定》,制定配套技术指引,规范证券期货经营机构按照统一标准收集和存储客户交易终端信息,提高调查部门采集和分析数据的效率。
  这不仅仅是证监会机关在走向“云端”,交易所的一线监管也在不断升级大数据系统,这其中还有很多他山之石与新生情况。
  比如互联网传播带来的新挑战。此前证监会在强化监测预警机制时就指出,针对市场关注的利用网络虚假信息欺诈及操纵股价等问题,监管部门将在上述的数字稽查系统中专门建设市场信息传闻监测子系统,基于云计算、云定位、云搜索等领先的网络技术功能,建立全面的虚假信息监测网络。
  该系统将通过数据采集、预警分析、影响力分析、异动股票聚焦监测、数据挖掘以及溯源分析等模块,对网上信息传闻进行快速、准确搜索与定位。
  交易所的一线监管数据系统也早已布局。深交所总经理宋丽萍在2013年两会期间就提到过一个细节,由于互联网信息传播带来的变化,比如说微信、微博、博客,手段特别多,渠道特别多,给监管带来了严峻的挑战。早在2010年深交所便为此确定课题研究,并在2013年成立项目小组,开发了以“抢帽子交易操纵为基础的文本挖掘原形和实验系统”。
  深交所曾经专门派了一个小组前往美国取经,借鉴了美国法定自主监管机构FINRA开发的SONAR系统,即证券监察、新闻分析、市场监管系统。用于检查潜在的内幕交易和误导交易者行为。这个系统每天大概处理1万条信息和信息披露,评估2.5万个证券的价量模型,生成10-60条报警信息。随之深交所便借鉴了这套系统。
  事实上,这种“云端”监管不断的学习与升级,在眼下监管转型的大势下尤为必要。至少,基金老鼠仓这个长久以来的难题,将会随着基金从业人员炒股开放迎来新的难点。


原文发布时间为:2014-02-17


本文来自云栖社区合作伙伴“大数据文摘”,了解相关信息可以关注“BigDataDigest”微信公众号

相关实践学习
简单用户画像分析
本场景主要介绍基于海量日志数据进行简单用户画像分析为背景,如何通过使用DataWorks完成数据采集 、加工数据、配置数据质量监控和数据可视化展现等任务。
SaaS 模式云数据仓库必修课
本课程由阿里云开发者社区和阿里云大数据团队共同出品,是SaaS模式云原生数据仓库领导者MaxCompute核心课程。本课程由阿里云资深产品和技术专家们从概念到方法,从场景到实践,体系化的将阿里巴巴飞天大数据平台10多年的经过验证的方法与实践深入浅出的讲给开发者们。帮助大数据开发者快速了解并掌握SaaS模式的云原生的数据仓库,助力开发者学习了解先进的技术栈,并能在实际业务中敏捷的进行大数据分析,赋能企业业务。 通过本课程可以了解SaaS模式云原生数据仓库领导者MaxCompute核心功能及典型适用场景,可应用MaxCompute实现数仓搭建,快速进行大数据分析。适合大数据工程师、大数据分析师 大量数据需要处理、存储和管理,需要搭建数据仓库?学它! 没有足够人员和经验来运维大数据平台,不想自建IDC买机器,需要免运维的大数据平台?会SQL就等于会大数据?学它! 想知道大数据用得对不对,想用更少的钱得到持续演进的数仓能力?获得极致弹性的计算资源和更好的性能,以及持续保护数据安全的生产环境?学它! 想要获得灵活的分析能力,快速洞察数据规律特征?想要兼得数据湖的灵活性与数据仓库的成长性?学它! 出品人:阿里云大数据产品及研发团队专家 产品 MaxCompute 官网 https://www.aliyun.com/product/odps 
相关文章
|
2月前
|
分布式计算 DataWorks IDE
MaxCompute数据问题之忽略脏数据如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
47 0
|
2月前
|
SQL 存储 分布式计算
MaxCompute问题之下载数据如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
38 0
|
2月前
|
分布式计算 关系型数据库 MySQL
MaxCompute问题之数据归属分区如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
36 0
|
3月前
|
机器学习/深度学习 存储 分布式计算
机器学习PAI关于maxcompute上用protobuf 处理数据,比较方便的方式
机器学习PAI关于maxcompute上用protobuf 处理数据,比较方便的方式
|
2月前
|
分布式计算 DataWorks BI
MaxCompute数据问题之运行报错如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
38 1
|
4月前
|
存储 SQL 大数据
dataCompare大数据对比之异源数据对比
dataCompare大数据对比之异源数据对比
110 0
|
2月前
|
分布式计算 关系型数据库 数据库连接
MaxCompute数据问题之数据迁移如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
35 0
|
2月前
|
分布式计算 Cloud Native MaxCompute
MaxCompute数据问题之没有访问权限如何解决
MaxCompute数据包含存储在MaxCompute服务中的表、分区以及其他数据结构;本合集将提供MaxCompute数据的管理和优化指南,以及数据操作中的常见问题和解决策略。
38 0
|
11天前
|
数据采集 搜索推荐 大数据
大数据中的人为数据
【4月更文挑战第11天】人为数据,源于人类活动,如在线行为和社交互动,是大数据的关键部分,用于理解人类行为、预测趋势和策略制定。数据具多样性、实时性和动态性,广泛应用于市场营销和社交媒体分析。然而,数据真实性、用户隐私和处理复杂性构成挑战。解决策略包括数据质量控制、采用先进技术、强化数据安全和培养专业人才,以充分发挥其潜力。
14 3

热门文章

最新文章