Manipulación de mercado en el sector financiero

El reglamento de la UE 596/2014 sobre el abuso de mercado, tiene como objetivo controlar las operaciones con información privilegiada, comunicación ilícita de información privilegiada y la manipulación de mercado. Todos los intervinientes en mercados regulados están sujetos a este reglamento, bajo riesgo de sanciones que pueden ser económicas y llegar a los 15 millones de euros, e incluso penas de prisión, hasta 6 años. 

Por ello, las organizaciones que participan en los mercados financieros son las principales interesadas en velar porque se cumpla la regulación dentro de su actividad o en descubrir este tipo de incidentes antes que el regulador. Para ello, se proveen de equipos de personas ayudados por sistemas cada vez más complejos y eficaces. 

Estos sistemas reciben entradas de una gran cantidad de fuentes (diversos datos de mercado, órdenes y operaciones realizadas en cada una de las plataformas y mercados donde opera la organización, noticias…), que tienen que homogeneizar y finalmente, analizar para identificar patrones de comportamiento sospechosos. Este análisis se apoya en algoritmos complejos, implementados como reglas, aunque cada vez más se están incorporando técnicas de aprendizaje automático e inteligencia artificial. 

Por ejemplo, el patrón Front Running identifica cuando, tras haber recibido un pedido de gran volumen por parte de un cliente, el interviniente “cuela” otro propio antes de ejecutar el del cliente. Es probable que la orden del cliente tenga un volumen lo suficientemente significativo como para mover el precio del instrumento, por lo que, una vez que el interviniente ha completado la ejecución de la orden del cliente, puede cerrar su posición inicial con una ganancia basada en el nuevo precio del instrumento. 

Si se identifica alguno de estos comportamientos, el sistema debe recopilar toda la información relacionada con el caso y ponerla a disposición del equipo de cumplimiento de la entidad financiera, para su análisis profundo. Por supuesto que los equipos humanos encargados de examinar estos sucesos tienen una capacidad finita, por lo que existe siempre tensión por reducir el número de falsos positivos, sin perder los verdaderos. Lo normal de este tipo de plataformas de detección del fraude es que te permitan parametrizar ciertos umbrales, modulando la sensibilidad en la búsqueda de patrones, pero también cabe el uso de técnicas de análisis predictivo, en las que, por ejemplo, se podría aplicar el conocimiento de las gestiones realizadas por los equipos humanos en los casos previos para ayudarle con los que tiene aún sin gestionar. 

El análisis de los datos puede realizarse post mortem o en tiempo real, lo que agudiza la necesidad de que todos los sistemas implicados tengan un rendimiento notable. Con este fin se utilizan herramientas especialistas en stream processing, como Spark (Apache), InfoSphere Streams (IBM), StreamBase (Tibco) o Apama (Software AG). Y por supuesto, el equipo que opera este tipo de plataformas también se apoya en herramientas avanzadas de visualización de datos, como Power BI (Microsoft), Qlik Sense, Tableau o QuickSight (AWS), que le ayudan en la toma de decisiones. 

En Babel trabajamos este tipo de prácticas con varias entidades financieras tanto en España, como en el ámbito internacional de la mano de partners estratégicos como Software AG. Y especializando equipos de trabajo de la mano de un CoE dedicado a introducir mejoras funcionales en las plataformas, resolver nuevas directrices dentro de los reglamentos MiFID y MAR, optimizar los costes operativos gracias a las técnicas de analítica avanzada y Machine Learning y por supuesto, modernizar los sistemas en base a un roadmap de trabajo muy estudiado.