МЕТОДИКА ВЫЯВЛЕНИЯ ФАКТОВ МАНИПУЛЯТИВНОЙ ТОРГОВЛИ НА ФОНДОВОМ РЫНКЕ ДЛЯ ОБЕСПЕЧЕНИЯ ЭКОНОМИЧЕСКОЙ БЕЗОПАСНОСТИ
Статья поступила в редакцию: 22.07.2026
Статья принята к публикации: 23.09.2026
Статья опубликована: 24.09.2026
Ключевые слова:
фондовый рынок, манипулятивная торговля, аномальная волатильность, экономическая безопасностьАннотация
Исследование предполагает разработку и апробацию методики выявления манипулятивной торговли на фондовом рынке на основе статистической диагностики торговых аномалий и индикаторов возможного манипулирования ценами, пригодных для оперативного отбора больших массивов биржевых данных без обучающей выборки. Предложенный инструментарий апробирован на минутных данных результатов торговли фондовыми активами российских эмитентов с различным уровнем ликвидности на Московской бирже за 2023-2025 гг. Предлагаемая методика выявления фактов манипулирования на фондовом рынке, апробированная на широком массиве данных позволила выявить аномалии, характеризующиеся существенным ростом стандартного отклонения доходности при снижении коэффициента вариации и направленном ценовом давлении. Исследование продемонстрировало то, что результаты применения разработанного подхода в полной мере согласуются с результатами мониторинга регулятора.
Информация о публикации
Финансирование: Исследование выполнено без привлечения внешнего финансирования, если иное не указано авторами.
Вклад авторов: Все авторы внесли существенный вклад в подготовку статьи, ознакомились с окончательной версией рукописи и одобрили ее к публикации.
Конфликт интересов: Авторы заявляют об отсутствии конфликта интересов, если иное не указано в публикации.
Правообладатель: Издательский дом «Академический».
Условия использования. Статьи текущего года распространяются по подписке на журнал «Финансовый менеджмент». Все права защищены. Полная версия статьи доступна на сайте Научной электронной библиотеки eLIBRARY.RU www.elibrary.ru/contents.asp?titleid=9552 . Материалы предыдущих лет распространяются по лицензии Creative Commons Attribution 4.0 International (CC BY 4.0) . Метаданные всех статей распространяются по открытой лицензии и могут свободно использоваться в информационных, научных и библиографических целях.
Машиночитаемый файл метаданных: JATS XML
Список литературы
Zulkifley M., Munir A., Sukor M., Shafiai M. A Survey on Stock Market Manipulation Detectors Using Artificial Intelligence // Computers, Materials and Continua. 2023. Vol. 75. no. 2. P. 4395-4418. DOI: 10.32604/cmc.2023.036094 EDN: LZIIZJ.
Khodabandehlou S., Golpayegani H. Market Manipulation Detection: A Systematic Literature Review // Expert Systems with Applications. 2022. Vol. 210. P. 118330. DOI: 10.1016/j.eswa.2022.118330 EDN: RCTUZD.
Costola M., Hinz O., Nofer M., Pelizzon L. Machine Learning Sentiment Analysis, COVID-19 News and Stock Market Reactions // Research in International Business and Finance. 2023. Vol. 64. P. 101881. DOI: 10.1016/j.ribaf.2023.101881 EDN: UHLRCP.
Tao X., Day A., Ling L., Drapeau S. On Detecting Spoofing Strategies in High-Frequency Trading // Quantitative Finance. 2022. Vol. 22. no. 8. P. 1405-1425. DOI: 10.1080/14697688.2022.2059390 EDN: MSSQZE.
Chullamonthon P., Tangamchit P. A Transformer Model for Stock Price Manipulation Detection in the Stock Exchange of Thailand. Proc. 19th Int. Conf. on Electrical Engineering // Electronics, Computer, Telecommunications and Information Technology (ECTI-CON), May 24-27, Thailand, IEEE, 2022. P. 1-4.
Poutre C., Chetelat D., Morales M. Deep Unsupervised Anomaly Detection in High-Frequency Markets // The Journal of Finance and Data Science. 2024. Vol. 10. P. 100129. DOI: 10.1016/j.jfds.2024.100129 EDN: ZWFUZX.
Safa K., Belatreche A., Ouadfel S., Jiang R. WALDATA: Wavelet Transform Based Adversarial Learning for the Detection of Anomalous Trading Activities // Expert Systems with Applications. 2024. Vol. 255. P. 124729. DOI: 10.1016/j.eswa.2024.124729 EDN: AZUBLK.
Nunez D.H., Astudillo C.A., Diaz D. Ensemble Approach Using k-Partitioned Isolation Forests for the Detection of Stock Market Manipulation // Mathematics. 2024. Vol. 12. no. 9. P. 1336. DOI: 10.3390/math12091336 EDN: LUTQMR.
Khodabandehlou S., Golpayegani A. FiFrauD: Unsupervised Financial Fraud Detection in Dynamic Graph Streams // ACM Transactions on Knowledge Discovery from Data. 2024. Vol. 18. no. 5. DOI: 10.1145/3638534 EDN: IPGQSU.
Uslu N., Akal F. A Machine Learning Approach to Detection of Trade-Based Manipulations in Borsa Istanbul // Computational Economics. 2022. Vol. 60. no. 1. P. 25-45. DOI: 10.1007/s10614-021-10131-8 EDN: HQGOTE.
