METHODOLOGY FOR IDENTIFYING FACTS OF MANIPULATIVE TRADING IN THE STOCK MARKET TO ENSURE ECONOMIC SECURITY
Статья поступила в редакцию: 22.07.2026
Статья принята к публикации: 23.09.2026
Статья опубликована: 24.09.2026
Keywords:
stock market, manipulative trading, abnormal volatility, economic securityAbstract
The study involves the development and testing of a methodology for identifying manipulative trading in the stock market based on statistical diagnostics of trading anomalies and indicators of possible price manipulation, suitable for the rapid selection of large arrays of stock exchange data without a training sample. The proposed tools were tested on minute data from the results of trading stock assets of Russian issuers with different levels of liquidity on the Moscow Exchange for 2023-2025. The proposed methodology for identifying facts of manipulation in the stock market, tested on a wide array of data, made it possible to identify anomalies characterized by a significant increase in the standard deviation of profitability with a decrease in the coefficient of variation and directional price pressure. The study demonstrated that the results of applying the developed approach are fully consistent with the results of the regulator’s monitoring.
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
References
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.
