Mengatasi Keterbatasan Sistem Aturan: Deteksi Anomali dalam Perdagangan Frekuensi Tinggi

Mengatasi Keterbatasan Sistem Aturan: Deteksi Anomali dalam Perdagangan Frekuensi Tinggi

Dalam dunia perdagangan keuangan modern, terutama di pasar frekuensi tinggi (high-frequency trading), volume data yang sangat besar dan kecepatan transaksi yang tinggi telah menciptakan tantangan baru bagi regulator pasar. Penipuan berbasis perdagangan (trade-based manipulation) adalah ancaman serius yang dapat merusak integritas pasar. Artikel ilmiah yang ditulis oleh Cdric Poutre, Didier Chtelat, dan Manuel Morales pada tahun 2024 di *The Journal of Finance and Data Science* mengulas metode baru dalam mendeteksi anomali perdagangan dengan memanfaatkan kecerdasan buatan, khususnya Transformer autoencoder. Penelitian ini membawa angin segar dalam solusi deteksi penipuan yang selama ini banyak bergantung pada sistem berbasis aturan yang kurang efektif dalam menghadapi manipulasi pasar yang kompleks dan dinamis.

Dalam artikel tersebut, para penulis menawarkan metode deteksi penipuan berbasis pembelajaran tanpa pengawasan yang mampu mengenali pola anomali dalam buku pesanan terbatas (limit order book) tanpa memerlukan contoh penipuan sebelumnya. Metode ini dianggap signifikan, terutama mengingat bahwa sistem deteksi konvensional hanya mampu mendeteksi sebagian kecil dari pola penipuan yang sudah dikenal. Lebih dari 70% pasar frekuensi tinggi di dunia saat ini belum memiliki sistem yang efisien dalam menangani manipulasi baru, yang terus berkembang setiap saat (Golmohammadi, Zaine, 2015). Hal ini mendorong urgensi untuk menemukan sistem yang lebih dinamis, seperti yang ditawarkan oleh Poutre dan rekan-rekannya. Mengingat metode ini telah diuji pada data dari lima saham NASDAQ, termasuk saham-saham besar seperti Apple (AAPL) dan Amazon (AMZN), serta mampu mendeteksi skenario manipulasi seperti *quote stuffing* dan *pump-and-dump*, temuan ini relevan untuk diaplikasikan di pasar yang lebih luas.

***
Artikel ini tidak hanya menawarkan solusi berbasis teori, tetapi juga menampilkan data empiris yang kuat untuk mendukung metode yang diajukan. Poutre, Chtelat, dan Morales menguji kerangka deteksi mereka menggunakan data dari proyek LOBSTER yang mencakup buku pesanan terbatas (LOB) dari saham-saham utama NASDAQ, seperti Amazon, Apple, Google, Intel, dan Microsoft pada satu hari perdagangan di bulan Juni 2012. Dengan lebih dari 500.000 peristiwa pasar dianalisis, penulis menggunakan data ini untuk mensimulasikan skenario penipuan perdagangan yang paling umum, yaitu *pump-and-dump*, *layering*, dan *quote stuffing*. Dalam simulasi tersebut, setiap jenis manipulasi disuntikkan ke dalam data dengan berbagai skala dan variasi untuk menguji efektivitas deteksi metode yang diajukan.

Hasil uji coba ini menunjukkan bahwa metode Transformer autoencoder yang mereka kembangkan memiliki tingkat keberhasilan yang jauh lebih tinggi dibandingkan dengan metode sebelumnya. Dalam pengujian deteksi manipulasi *pump-and-dump*, metode ini mampu mencapai tingkat recall hampir 97%, sementara untuk manipulasi *quote stuffing*, recall mendekati 99%. Hal ini sangat signifikan jika dibandingkan dengan metode deteksi konvensional seperti OC-SVM atau GAN, yang rata-rata hanya mencapai tingkat recall sekitar 65%-80%. Penelitian sebelumnya oleh Abbas et al. (2019) yang menggunakan metode clustering berbasis KDE hanya berhasil mencapai precision 11,7%, sedangkan metode yang diusulkan oleh Poutre dan rekan-rekannya berhasil meningkatkan precision hingga lebih dari 61% dalam kasus Apple (AAPL).

Kerangka kerja baru ini mengatasi kelemahan utama dari sistem berbasis aturan yang kaku. Pasar keuangan bersifat dinamis, dengan pola penipuan yang terus berkembang, dan tidak mungkin mendefinisikan semua anomali yang mungkin terjadi dengan menggunakan aturan yang tetap. Metode ini, dengan memanfaatkan pembelajaran tanpa pengawasan, dapat beradaptasi dengan pola baru tanpa memerlukan contoh penipuan yang telah ditentukan sebelumnya, sehingga mengurangi risiko "overfitting" yang sering terjadi pada model yang hanya mengandalkan data pelabelan. Ini memungkinkan sistem untuk lebih akurat dalam mendeteksi anomali baru yang mungkin tidak terdeteksi oleh metode sebelumnya. Dengan tingkat deteksi yang lebih akurat dan jumlah positif palsu yang lebih rendah, metode ini diharapkan dapat secara signifikan mengurangi beban kerja regulator pasar, yang saat ini sering kewalahan oleh volume data besar dan analisis yang memakan waktu.

***
Pada akhirnya, penelitian yang dilakukan oleh Cdric Poutre, Didier Chtelat, dan Manuel Morales memberikan kontribusi besar terhadap kemajuan teknologi deteksi penipuan di pasar frekuensi tinggi. Dengan tingkat recall yang mendekati 99% untuk manipulasi seperti *quote stuffing* dan presisi yang jauh lebih tinggi dibandingkan metode sebelumnya, ini merupakan langkah maju yang nyata dalam menjaga integritas pasar keuangan. Metode pembelajaran tanpa pengawasan yang mereka kembangkan terbukti mampu mengatasi keterbatasan dari sistem berbasis aturan yang telah lama digunakan, terutama dalam menghadapi pola penipuan yang semakin kompleks dan terus berkembang.

Namun, meskipun hasilnya menjanjikan, masih ada ruang untuk pengembangan lebih lanjut. Salah satunya adalah penerapan kerangka kerja ini pada berbagai aset lain di luar saham teknologi tinggi NASDAQ, misalnya pada obligasi, mata uang kripto, atau pasar derivatif yang juga rentan terhadap manipulasi perdagangan. Dengan demikian, keandalan dan fleksibilitas dari model ini dapat semakin diuji dan diperkuat. Selain itu, peningkatan lebih lanjut untuk mengurangi jumlah positif palsu (false positives) juga diperlukan agar sistem ini tidak membebani regulator dengan investigasi yang tidak perlu.

Secara keseluruhan, penelitian ini menawarkan solusi berbasis teknologi yang relevan dan sangat dibutuhkan dalam dunia keuangan modern. Regulator pasar dan lembaga keuangan dapat memanfaatkan pendekatan ini untuk meningkatkan efisiensi mereka dalam mendeteksi dan mencegah manipulasi, sehingga membantu menjaga transparansi dan stabilitas pasar di masa depan.

Referensi :

Poutre, C., Chtelat, D., & Morales, M. (2024). Deep unsupervised anomaly detection in high-frequency markets. The Journal of Finance and Data Science, 10, 100129. https://doi.org/10.1016/j.jfds.2024.100129