Walaupun terdapat maklumbalas dan tindakan yang pantas oleh pihak berkuasa serta terdapatnya pindaan dalam undang-undang, manipulasi pasaran adalah antara kebimbangan utama pelabur pasaran sekuriti/saham.
Kaedah mengenalpasti unsur penipuan dalam pasaran saham yang ada pada
masakini adalah bergantung kepada undang-undang, peraturan dan kepakaran. Ianya
berdasarkan pendekatan “atas ke bawah” yang menggunakan set corak yang dikenali
dan ambang (threshold) yang telah ditakrif terlebih dahulu.
Data pasaran seperti harga dan volume
saham (jumlah saham/kontrak yang
didagangkan) dipantau menggunakan peraturan yang berkaitan dan notifikasi red-flag. Kemudian sebarang transaksi
dalam tempoh pengesanan akan disiasat secara lanjut bagi mengenalpasti sebarang
aktiviti penipuan.
Cara ini mempunyai dua kelemahan :
i) Mengesan tempoh yang luarbiasa yang
tidak berkaitan dengan simtom (contohnya
skim manipulatif yang tidak dikenali)
ii) Kesesuaiannya dengan keadaan/suasana
pasaran yang berubah dengan pantas, transaksi data yang tinggi kerana kenaikan
jumlah pelabur serta syarikat/saham yang disenaraikan). Ini menuntut pindaan
terhadap undang-undang untuk memantau data yang begitu luas dan amat mencabar
sekali.
Pasaran sekuriti sedang berubah dengan drastik. Suasana ini berpotensi
mendedahkan loopholes yang akan digunakan oleh pedagang untuk meraih
keuntungan.
Pihak berkuasa mungkin memerlukan sejenis modul dan algorithma bagi
menyokong pengenalpastian aktiviti manipulasi pasaran.
Secara amnya, penipuan saham adalah merujuk kepada kaitan antara tawaran
dan jualan saham contohnya :
a) Pelaburan Hasil yang Tinggi (High-Yield) – merujuk kepada pulangan yang dijamin
berdasarkan “risiko rendah” atau “tiada risiko langsung” dalam pelaburan
instrumen sekuriti.
Penipuan ini bermula dengan “broker” mengambil peluang ke
atas kepercayaan pelabur dan mendakwa pulangan yang tinggi di atas modal mereka.
Pelaburan Hasil yang Tinggi dapat dikesan menerusi Skim Piramid, Skim Ponzi,
Skim Perbankan, Skim Wang Pendahuluan, Komoditi (Forex dan Logam Berharga) dan
Nota Promisori.
b) Penyelewengan Broker – Skim ini melibatkan
broker bertindak melanggar undang-undang bagi mendapatkan keuntungan daripada
pelaburan klien. Biasanya ini melibatkan perdagangan yang tidak sah dan
penipuan dokumen.
c) Manipulasi Pasaran – Skim ini melibatkan individu
atau sekumpulan manusia yang mengganggu-gugat pasaran yang teratur dan adil
bagi mendapat keuntungan. Cara yang dilakukan biasanya melibatkan percubaan
mengawal harga pasaran. Faktor inilah yang paling ditakuti pelabur.
Menggunakan pendekatan pelombongan data (data-mining), sekurang-kurangnya 5 kaedah
dapat dilakukan.
a) Mengenali Corak (Pattern Recognition) – penggunaan kaedah ini adalah sama dengan
melihat pada tren (trend) yang menimbulkan
syak bahawa aktiviti penipuan sedang berlaku iaitu :
i) mengesan pedagang yang tatalakunya (behaviour) menampakkan aktiviti
penipuan,
ii) mengesan saham yang berkaitan dengan aktiviti
penipuan berkenaan,
Sebagai contoh, aktiviti berikut mungkin menampakkan
unsur penipuan :
a)
Kecairan, pulangan dan volatiliti adalah lebih tinggi untuk saham yang
dimanipulasikan berbanding dengan sampel yang dikawal.
b)
Keuntungan juga dapat dicapai dengan manipulasi harga saham bagi deflate harga (jualan jangka pendek – short-selling) tetapi kebanyakan pakar
manipulasi akan cuba untuk menaikkan harga saham,
c)
Waktu Tutup (Closing Hours),
Suku Berakhir, dan Tahun Berakhir adalah “ruang bagi manipulasi berlaku”
d)
Kenaikan drastik dalam volume
dagangan dan volatiliti pulangan selalunya akan diikuti oleh manipulasi harga
(dalam banyak kes)
Apapun, kaedah mengenalpasti corak adalah antara cara
terbaik di mana pihak berkuasa dapat membekukan dagangan saham berkenaan.
Namun, proses pelombongan data secara talian dan real-time diperlukan dalam kes ini. Set datanya dalam konteks ini melibatkan secara data dagangan untuk setiap akaun pedagang atau setiap saham dan set corak/tren yang dikenalpasti sebagai penipuan (dilabelkan)
Namun, proses pelombongan data secara talian dan real-time diperlukan dalam kes ini. Set datanya dalam konteks ini melibatkan secara data dagangan untuk setiap akaun pedagang atau setiap saham dan set corak/tren yang dikenalpasti sebagai penipuan (dilabelkan)
b) Pengesanan Outlier - mengesan pemerhatian yang tidak konsisten
dengan baki data. Ini akan membantu dalam mengenalpasti corak penipuan yang
tidak dikenali. Pengesanan yang efektif dapat dilakukan dengan melihat Pancang (spike) berdasarkan keadaan pasaran dan
bukannya menggunakan Ambang (threshold)
untuk menapis Pancang.
Seperti grup pertama, kaedah ini dapat dilakukan ke atas pedagang
dan saham yang didagangkan. Set Data yang diperlukan ialah maklumat mengenai
sejarah perdagangan oleh pedagang atau saham yang berkaitan.
Pengesanan anomali akan dapat dicapai menggunakan kaedah
pengelompokan (clustering) dan tidak
memerlukan data yang dilabel.
Contoh senario : Data diwakili oleh variable statistik (min
dan varian) untuk pembelian dan
jualan pada tempoh yang tetap (fixed).
Satu parameter akan ditetapkan yang menerangkan
jumlah objek dalam peer group dan
kawalan ke atas sensitiviti model. Satu objek sasaran akan menentukan ahli dari
peer group samada ahli-ahli peer group adalah objek yang paling
mirip kepada objek sasaran.
Pada setiap tetingkap masa (contohnya setiap 5 minggu) peer
group ini akan diringkaskan bagi mengenalpasti sentroid peer group. Kemudiannya, jarak ahli peer group dengan sentroid peer group akan dikira menggunakan
statistik t dan objek yang “lari”
daripada peer akan dikutip sebagai outlier.
Akaun dagangan akan dikaitkan dengan objek yang yang
dianggap sebagai pedagang yang dicurigai
di mana tatalakunya berbeza dengan peer yang
lain.
c) Induksi Peraturan (Rules Induction) – mengestrak peraturan yang dapat diperiksa dan
digunakan oleh auditor dan pihak berkuasa pasaran saham. Set data yang
diperlukan ialah maklumat sejarah dagangan untuk setiap akaun pedagang yang
dilabelkan sebagai “disyaki aktiviti penipuan”. Juga ekstrakkan peraturan yang
mengenalpasti corak dan ketidakaturan (irregularity)
yang tidak dikenali menggunakan data yang tidak dilabelkan (kaedah pembelajaran yang tidak dipantau)
Contoh senario : induksi peraturan menggunakan
pelombongan data secara temporal.
Pertama, data siri masa dibersihkan (pra-pemprosesan) menerusi dua langkah :
i) Penentuan
Tempoh Seterusnya (subsequent) dan
ii) Ektrak
corak temporal menggunakan algoritma pengelompokan (min EM dan K)
Juga
atrribut data yang relevan dipilih secara manual atau menggunakan pemilihan
atribut algoritma.
Kedua, algoritma induksi peraturan (contohnya AQ15) untuk
menentukan “if-then”. Satu suasana akan dibentuk bagi menggunakan kaedah yang
dicadangkan dan diuji menggunakan set data yang mempunyai data harga temporal (harga, volume, tinggi, rendah, secara
keseluruhan 13 indeks trend) untuk 9 saham dari negara X selama 6 bulan.
Keputusan menjual atau membeli setiap saham
ditentukan menerusi kaedah pengelompokan dan digunakan untuk menguji ke atas
saham yang berbeza. Hasil kajian menunjukkan kaedah Ekstrak Corak adalah yang
terbaik di mana ianya melangkaui prestasi garisan asas (baseline)
d) Analisa Jaringan Sosial (Social Network Analysis) – mengesan akaun pedagang yang dikaitkan
dengan manipulasi pasaran. Set data yang diperlukan juga maklumat sejarah
dagangan untuk setiap akaun pedagang. Di sini, sumber data tambahan seperti
sejarah pekerjaan pedagang dan perhubungannya diperlukan untuk disatukan dalam
dataset ini. (contohnya – mendapatkan
akses kepada mana-mana depositori pendaftaran pusat yang mempunyai maklumat
mengenai broker yang berdaftar)
Cara pelombongan data secara tradisi menggunakan
klasifikasi, pengelompokan dan peraturan perkaitan selalunya mempertimbangkan
sampel poin data yang berasingan (independent).
Cara ini tidak dapat leverage kaitan
antara sampel set data yang distrukturkan secara komprehensif dan heterogen
Analisa Jaringan Sosial dapat mewakili penstrukturan data
seumpama ini di mana nodnya adalah berkaitan dengan sampel data samada objek
atau individu, dan sudut yang mewakili perhubungan dan pergantungan sesama objek.
Pemetaan, kefahaman, analisa dan mengukur interaksi di jaringan dipanggil
Analisa Jaringan Sosial.
Ianya berkesan untuk mencari korelasi yang menandakan berlakunya
penipuan dalam pasaran saham bermula dengan perubahan peristiwa (event) dalam pasaran ke bentuk graf (pra-pemprosesan)
Selain itu, analisa ini juga dapat mengesan broker yang bersubahat dalam
:
a)
Inflate/Deflate harga saham dengan meletakkan pesanan
yang telah diaturkan terlebih dahulu dengan broker-broker lain diikuti dengan aktiviti
manipulasi volume,
b)
Memindahkan saham antara akaun bagi mengelak cukai,
c) Mendapat kredibiliti dalam pasaran dengan transaksi jumlah yang tinggi.
Ada yang menggabungkan analisa jaringan sosial dengan kaedah visualisasi
interaktif bagi mengenalpasti akaun yang dicurigai.
Antara aktiviti berbentuk penipuan ialah :
a) Perdagangan Kitaran (Circular) – konsisten dalam pembelian
dan penjualan volume saham dalam
jumlah yang sama samada belian/jualan tinggi atau rendah,
b) Indikator Primer/Sekunder – menanda akaun
yang rendah beliannya dan tinggi jualannya. Jaringan sentraliti akan membantu
mencari akaun primer (utama), fungsi ‘f’ akan dikira untuk setiap vertex yang mewakili saiz akaun dan
membandingkan harga transaksi dengan harga purata transaksi terdahulu,
c) Sudut Indikator Utama : Memindahkan
stok dari satu akaun ke satuakaun yang lain yang berlaku bila sudut (transaksi) muncul beberapa kali pada 2 vertices.
Analisa Jaringan Sosial terbukti berkesan dalam mencari aktiviti subahat
dalam memanipulasikan pasaran dan kaedah bagi memantau interaksi pedagang di
dalam pasaran.
e) Visualisasi – ini bukan terhad kepada carta semata-mata di
mana auditor perlu berinteraksi dengan data pasaran dan mencari corak yang
menampakkan penipuan.
Visualisasi terhadap data pasaran adalah sama pentingnya
dengan pemantauan secara real-time
dan penyiasatan ‘luar-talian’ (offline)
Kaedah visualisasi akan membantu auditor untuk
mengenalpasti aktiviti yang disyaki penipuan dalam transaksi pedagang dan saham
yang didagangkan.
Ini dilakukan dengan melihat pada corak di dalam data
atau maklumat yang belum disedia untuk dibezakan (discernable). Apa yang diperlukan ialah sejenis kerangka
analitikal visual yang menggabungkan treemap
3 Dimensi untuk pemantauan pasaran dan visualisasi berasaskan Tatalaku
menggunakan Analisa Jaringan Sosial bagi memantau aktiviti broker.
Dalam Visualisasi 3 Dimensi, setiap sel mewakili satu
saham dan saiz sel adalah proportional
kepada pemodalan pasalan dan kod warna sel menunjukkan perubahan harga (warna “hijau”
untuk “harga naik” dan “merah” untuk “harga turun”)
Ini akan melahirkan satu peralatan yang memantau secara real time dengan tangguhan 15 minit
untuk aliran perdagangan asas (harga
dan volume)
Keterangan dagangan akan dibandingkan dengan satu set
parameter dan pengawasan akan dilakukan ke atas sebarang keluarbiasaan. Analisa
jaringan dagangan bertujuan untuk mendedahkan struktur sosial sesama pedagang dan
mengenalpasti corak dagangan yang luarbiasa. Nod-nod pula mewakili pedagang,
kawasan sekitar setiap node mewakili nilai dagangan dan sudut berarah (directional edges) menandakan aliran
dan keseimbangan dagangan.
Satu pangkalan data yang merekodkan setiap corak yang
berpotensi ada elemen penipuan akan digunakan sebagai rujukan dan membandingkan
peristiwa dalam jaringan dagangan serta mengenalpasti aktiviti yang boleh
menimbulkan syak.
Kecairan, pulangan dan volatiliti adalah lebih tinggi
untuk saham yang telah dimanipulasi. Oleh itu, mencartakan parameter secara parallel dengan alignment masa yang sama akan membantu penguatkuasaan bagi
mengenalpasti corak dan tren yang boleh disyaki.
