东北证券：从数据中甄别内幕操纵行为

　　新浪提示：本文属于研究报告栏目，仅为分析人士对一只股票的个人观点和看法，并非正式的新闻报道，新浪不保证其真实性和客观性，一切有关该股的有效信息，以沪深交易所的公告为准，敬请投资者注意风险。

　　□课题研究员：张宗新，朱伟骅，沈正阳，陈剑波

　　报送单位：东北证券有限责任公司

　　目前，我国内幕操纵监管仍侧重“事后”监管，例如对“德隆系”、“中科创业”等内幕操纵等处罚，都是以广大中小投资者付出惨重代价为前提的。而国外学者研究表明，对内幕操纵事后监管却是无效的。因而，在中国证券市场全流通条件下如何强化事前预防和事中监控，如何有效甄别内幕交易行为，及时对内幕操纵进行控制和禁止，成为证券监管部门实施反操纵监管的重要研究课题。尽管监管部门一直致力于内幕操纵行为的监管与防范，但是内幕操纵行为仍时有发生，其重要原因在于内幕操纵行为的复杂性、难以甄别性，以及反操纵司法程序的难以执行性。

　　在实施全流通的中国

证券市场上，由于市场信息透明度不高、市场制度不完备性、投资者保护环境较差和反操纵监管不严等原因，内幕交易行为问题将尤为突出。课题针对内幕操纵行为复杂性、难以甄别性和司法执行的难题，以中国股市发生内幕操纵操纵的上市公司为研究样本，对内幕操纵

股票的股价流动性、信息传递效率、股价运动行为自相关性、持股集中度与换手率等进行实证分析，从而提取内幕操纵数据挖掘方法的建模因子。在内幕操纵建模因子分析的基础上，课题应用SAS数据挖掘方法，利用Logistic判别模型、决策树判别模型和神经网络（Neural Network）模型构建内幕操纵行为的甄别方法，对证券内幕操纵行为进行识别，研究结果表明利用数据挖掘技术可以对内幕操纵进行有效甄别，应用Logistic判别模型的预测准确率为91.66％，决策树判别模型的预测准确率为93.19％，应用神经元网络的预测准确率达到95.5%，略高于Logistic和决策树的预测结果。但是，有必要指出的是，神经元网络模型预测所应用的训练集样本较少，可能存在导致计量上所谓的“过度拟合”问题发生。这是应用神经元网络的局限性所在。总之，应用数据挖掘手段构建的内幕操纵判别模型，可以达到有效甄别内幕操纵行为的效果，这可为证券监管层及时甄别证券市场内幕操纵行为，实施反操纵监管提供了重要的参考依据。

　　最后，本文针对本论文的研究，我们提出下面几条反操纵的措施和建议：（1）强化内幕信息操纵行为甄别，严厉打击证券市场内幕操纵行为。（2）进一步推进证券市场法制化建设，加快《内幕交易法》的立法进程。（3）应用金融市场微观结构理论，引入流动性、自相关性、信息反应能力等指标，实现内幕建议监控的技术化、模型化和动态化，根据微观技术指标即时检测股价运动状态，构建内幕操纵的动态监管体系，及时发现内幕交易行为，防止内幕操纵事件发生。（4）建立甄别内幕信息操纵的技术预警系统，防范和及时打击内幕信息操纵行为，是证券市场有效监管的必要技术前提。（5）加强证券联合监管，防范和打击证券市场内幕操纵行为。有必要加强证券联合监管，中国

证监会、证券交易所、司法部门、证券登记结算公司通过合理的合作机制和工作流程，加大证券监管稽查力度，联合防范和打击证券市场内幕操纵行为。

    新浪声明：本版文章内容纯属作者个人观点，仅供投资者参考，并不构成投资建议。投资者据此操作，风险自担。