Unusual Trade or Market Manipulation? How Market Abuse Is Detected by Securities Regulators, Trading Venues and Self-Regulatory Organizations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Securities regulators protect the integrity of capital markets by detecting, investigating and then prosecuting, insider trading and market manipulation, known collectively as market abuse. The main method of detection of market abuse is surveillance of markets by software designed to identify unusual trading. Such market surveillance is undertaken by trading venues, self-regulatory organizations, and securities regulators. Two other important methods used to detect market abuse are suspicious transaction reports made to regulators by financial intermediaries and voluntary reports to regulators by the public of possible market abuse.This article describes the main methods of detection of market abuse in five jurisdictions which comprise over 50 per cent of the world’s securities markets, namely the USA, Canada, Germany, the UK, and Australia. Furthermore, given the growing internationalization of securities markets, there exists the possibility that many market abuse offences will not be confined to one country and may span two or more jurisdictions. As such regulatory bodies must increasingly work together to exchange information to detect market abuse. This article also examines how such information is exchanged, the challenges in exchanging such information and suggests ways in which this could be improved. In particular, more investment is needed in market surveillance systems to improve both the detection of market abuse and to enable securities regulators to swiftly determine the cause of any market disruption. This will in turn facilitate a more targeted regulatory response to ensure that such a disruption is not repeated.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle