پیوندهای مفید
اخبار و اعلانات
آمار
| تعداد نشریات | 158 |
| تعداد شماره‌ها | 6,230 |
| تعداد مقالات | 67,752 |
| تعداد مشاهده مقاله | 115,092,942 |
| تعداد دریافت فایل اصل مقاله | 89,841,585 |
An Intelligent System for Fraud Detection in Coin Futures Market’s Transactions of Iran Mercantile Exchange Based on Bayesian Network | ||
| Journal of Information Technology Management | ||
| مقاله 1، دوره 9، شماره 1، 2017، صفحه 1-20 اصل مقاله (485.22 K) | ||
| نوع مقاله: Research Paper | ||
| شناسه دیجیتال (DOI): 10.22059/jitm.2017.60680 | ||
| نویسندگان | ||
| Amir-Reza Abtahi* 1؛ Fatemeh Elahi2؛ Reza Yousefi-Zenouz1 | ||
| 1Assistant Prof., Dep. of IT., Faculty of Management, Kharazmi University, Tehran, Iran | ||
| 2MSc. Student in Decision Sciences and Knowledge Engineering, Faculty of Management Kharazmi University, Tehran, Iran | ||
| چکیده | ||
| In order to gain more illicit profit, some traders in the stock market try to make a targeted impact on prices by placing fake orders and false advertising. Due to the high customer population, it is not possible to discover these frauds using traditional methods. The present study seeks to provide a system for preventing the frauds in future market-trading coins based on Bayesian classifier model for Iran Mercantile Exchange. The proposed model has polynomial time complexity and high accuracy because of considering important dependencies among different features of data. The primary labeling of data has been done by Kmeans clustering. The test of model shows 94.55 percent similarity between model's output and labeled data. Using this system can helps to identify the fraudulent from non-fraudulent traders. | ||
| کلیدواژه‌ها | ||
| Bayesian network؛ Fraud detection؛ Futures Contract؛ Induction behavior؛ Mercantile exchange | ||
| عنوان مقاله [English] | ||
| طراحی نوعی سیستم هوشمند برای کشف تقلب حاصل از حرکت القایی در معاملات بازار قراردادهای آتی سکۀ بورس کالای ایران مبتنی بر شبکۀ بیزی | ||
| نویسندگان [English] | ||
| سید امیررضا ابطحی1؛ فاطمه الهی2؛ رضا یوسفی زنوز1 | ||
| 1استادیار گروه مدیریت فناوری اطلاعات، دانشکدۀ مدیریت دانشگاه خوارزمی، تهران، ایران | ||
| 2دانشجوی کارشناسی ارشد مهندسی دانش و علوم تصمیم، دانشکدۀ مدیریت، دانشگاه خوارزمی، تهران، ایران | ||
| چکیده [English] | ||
| در بازار سهام، برخی سوداگران بهمنظور کسب منفعت بیشتر سعی میکنند به‌وسیلۀ سفارشهای صوری، سبب تأثیر هدفمند بر نوسان قیمتها شوند و از وضعیت پیش‌آمده در قیمتها سوءاستفاده کنند که به این عمل، حرکت القایی گفته میشود. به‌دلیل جمعیت آماری زیاد مشتریان، امکان نظارت چشمی یا نظارت سیستمی از طریق روشهای سنتی برای کشف حرکت القایی وجود ندارد. پژوهش حاضر به‌دنبال ارائۀ سیستمی برای پیشگیری از وقوع حرکت القایی در معاملات بازار قراردادهای آتی سکۀ بورس کالای ایران مبتنی بر مدلسازی طبقهبند بیزی است. سیستم ارائه‌شده ضمن برخورداری از پیچیدگی زمانیِ چندجملهای، به‌دلیل لحاظ‌کردن وابستگیهای مهم میان ویژگیهای مختلف داده، دقت زیادی دارد. برچسبگذاری اولیۀ دادهها با استفاده از خوشهبندی کا ـ میانگین انجام گرفته است و آزمون مدل، تشابه 55/94 درصدی را میان نتیجۀ روش بیزی پیشنهادی و داده‌های برچسبگذاریشده نشان میدهد. استفاده از سیستم نوین ارائه‌شده به شناسایی افراد فریبکار در معاملات بازار از افراد سالم کمک به‌سزایی میکند. | ||
| کلیدواژه‌ها [English] | ||
| رفتار القایی, سیستم هوشمند, شبکۀ بیزی, قرارداد آتی, کشف تقلب | ||
| مراجع | ||
|
تقوا، م. ر.؛ منصوری، ط.؛ فیضی، ک.؛ اخگر، ب. (1395). کشف تقلب در تراکنشهای کارت‌های بانکی با استفاده از پردازش موازی ناهنجاری در بزرگ‌داده. نشریۀ مدیریت فناوری اطلاعات، 8(3)، 477-498. تقویفرد، م.ت.؛ جعفری، ز. (1394). کشف تقلب در بیمۀ بدنۀ خودرو با بهرهمندی از سیستم خبرۀ فازی. نشریۀ مدیریت فناوری اطلاعات، 7(2)، 258-239. صفری، ح.؛ حشمتیپور، ف.؛ مهرابی، ع.؛ نصابی، و. (1391). مدلسازی عوامل مؤثر بر به اشتراکگذاری اطلاعات در زنجیرۀ تأمین شرکت ایرانخودرو خراسان با استفاده از روش ترکیبی نگاشت علّی و شبکههای بیزین. نشریۀ مدیریت فناوری اطلاعات، 4(10)، 92-65. فلاح شمس، م.؛ کردلوئی، ح.ر. (1390). آزمون مدلهای لاجیت و شبکۀ عصبی مصنوعی جهت پیشبینی دستکاری قیمت در بورس اوراق بهادار تهران. مجلۀمهندسیمالیومدیریتاوراقبهادار، 2(7)، 69-37. فلاح شمس، م.؛ کردلوئی، ح. ر.؛ رشنو، م. (1391). بررسی دستکاری قیمتها در بورس اوراق بهادار تهران با استفاده از مدل ماشین بردار پشتیبان. مجلۀ تحقیقات مالی، (14)1، 84- .69 مدیریت مطالعات اقتصادی. (1391). دستکاری بازار، ترفندها و ابزارهای مطالعه. شرکت بورس کالای ایران. وثوق، م.؛ تقویفرد، م. ت.؛ البرزی، م. (1393). شناسایی تقلب در کارت‌های بانکی با استفاده از شبکههای عصبی مصنوعی. نشریۀ مدیریت فناوری اطلاعات، 6(4)، 746-721. Barber, D. (2010). Bayesian Reasoning and Machine Learning; first edition. Cambridge: University Press.
Chen, Y., Miao, D. & Zhang, H. (2010). Neighborhood outlier detection. Expert Systems with Applications, 37(12), 8745-8749.
Cheng, J., Bell, D. & Weiru, L. (1998). Learning Bayesian networks from data: An efficient approach based on information theory. On World Wide Web at http://www. Cs. ualberta. ca/~ jcheng/bnpc. Htm.
Fallah Shams, M. & Kordlouei, H. (2011). Logit Model Test and Neural Network to Predict Price Manipulation in Tehran Stock Exchange. Financial Engineering and Portfolio Management, 2(7), 37-69. (in Persian)
Fallah Shams, M., Kordlouei, H. & Rashnow, M. (2013). Investigating the Price Manipulation in Tehran Stock Exchange by Using the SVM Model. Financial Research, University of Tehran, 1(14), 69-84. (in Persian)
Ferdousi, Z. & Maeda, A. (2006). Unsupervised Fraud Detection in Time Series data. In Proceedings. 22nd International Conference on Data Engineering Workshops, Atlanta, Georgia, 3-7 April 2006.
Franke, M., Hoser, B. & Schröder, J. (2008). On the analysis of irregular stock market trading behavior. In Data Analysis, Machine Learning and Applications (pp. 355-362). Springer Berlin Heidelberg.
Friedman, N., Iftach, N. & Dana, P. (1999). Learning Bayesian network structure from massive datasets: the sparse candidate algorithm. Proceedings of the Fifteenth conference on Uncertainty in artificial intelligence. Morgan Kaufmann Publishers Inc.
Golmohammadi, K., Zaiane, O. R. & Díaz, D. (2014, October). Detecting stock market manipulation using supervised learning algorithms. In Data Science and Advanced Analytics (DSAA). 2014 International Conference on (pp. 435-441). IEEE.
Heckerman, D, Geiger, D., &Chickering, D M. (1995). Learning Bayesian networks: The combination of knowledge and statistical data. Machine learning20.3: 197-243.
Kim, Y. & Sohn, S.Y. (2012). Stock fraud detection using peer group analysis. Expert Systems with Applications, 39(10), 8986-8992.
Korb, K. B. & Nicholson, A.E. (2010). Bayesian artificial intelligence. London: CRC press.
Lee, E.J., Eom, K.S. & Park, K.S. (2013). Microstructure-based manipulation: Strategic behavior and performance of spoofing traders. Journal of Financial Markets, 16(2), 227-252.
Liu, H. & Setiono, R. (1995, November). Chi2: Feature selection and discretization of numeric attributes. In Tools with artificial intelligence, 1995. proceedings., seventh international conference on (pp. 388-391). IEEE.
The management of Economic Studies. (2012). Market Manipulation, Tricks & Prevention Tools. Iran Mercantile Exchange.
Mitchell, T. M. (1997). Machine learning. Burr Ridge, IL: McGraw Hill.
Nielsen, T. D. & Jensen, F. V. (2009). Bayesian networks and decision graphs. Springer Science & Business Media.
Olszewski, D. (2014). Fraud detection using self-organizing map visualizing the user profiles. Knowledge-Based Systems, 70, 324-334.
Pearl, J. (1982). Reverend Bayes on inference engines: A distributed hierarchical approach. AAAI'82 Proceedings of the Second AAAI Conference on Artificial Intelligence. Pennsylvania, August 18 – 20.
Safari, H., Heshmatipour, F., Mehrabi, A. & Nesabi, V.R. (2012). Modeling of Factors Affecting Information Sharing in Supply Chain of IKKCO Using the Integrated Cognitive Mapping Method and Bayesian Networks. The Journal of Information Technology Management, 4(10), 65-92 (in Persian)
Taghavifard, S. M. & Jafari, Z. (2015). Fraud Detection Using a Fuzzy Expert System in Motor Insurance. The Journal of Information Technology Management, 7(2), 239- 258. (in Persian)
Taghva, M. R., Mansouri, T., Feizi, K., Akhgar, B. (2016). Fraud Detection in Credit Card Transactions; Using Parallel Processing of Anomalies in Big Data. The Journal of Information Technology Management, 8(3), 477-498. (in Persian)
Thoppan, J.J. & Punniyamoorthy, M. (2013). Market manipulation and surveillance–a survey of literature and some practical implications. International Journal of Value Chain Management, 7(1), 55-75.
Vosough, M., Taghavifard, M. & Alborzi, M. (2015). Bank Card Fraud Detection Using Artificial Neural Network. The Journal of Information Technology Management, 6(4), 721-746. (in Persian)
Yao, Y., Zhai, J., Cao, Y. & Ding, X. (2015). WITHDRAWN: Static and dynamic models: A framework for price manipulation detection. Expert Systems with Applications. Available in: http://www.elsevier.com/locate/withdrawalpolicy | ||
|
آمار تعداد مشاهده مقاله: 1,575 تعداد دریافت فایل اصل مقاله: 1,160 |
||