CC BY
26
Анашкина М.В.,
аспирант кафедры «Финансы и кредит»,
Институт финансов, экономики
и управления, Севастопольский
государственный университет
г. Севастополь, Россия
E-mail: iriska 3640@mail.ru
Колесова И.В.,
к.э.н., доцент кафедры
«Финансы и кредит», Института
финансов, экономики и управления,
Севастопольский государственный
университет
г. Севастополь, Россия
E-mail: kolesovanm88@mail.ru
ПРИМЕНЕНИЕ DATAMINING В ПРОЦЕССЕ ВЫЯВЛЕНИЯ НЕДОБРОСОВЕСТНЫХ ПРАКТИК НА РЫНКЕ ЦЕННЫХ БУМАГ (НА ОСНОВЕ КЕЙСА)
JEL classification: G14; О16
Аннотация
Цель. Представленная работа имеет целью разработку метода выявления недобросовестных практик с помощью инструментов DataMining.
Структура/методология/подход. Острой проблемой контроля над соблюдением законодательства о противодействии инсайдерской деятельности и манипулированию на рынке ценных бумаг на сегодняшний день является отсутствие эффективных механизмов выявления такой деятельности, что не позволяет своевременно реагировать на них. Предметом исследования является изучение возможности применения инструментов DataMining для выявления недобросовестных практик на российском рынке.
Результаты. В статье дано теоретическое обоснование необходимости усиления борьбы с недобросовестными практиками на российском рынке. Авторами предложен метод их выявления на основе технологий DataMining. Метод опробован в виде кейса по данным ОАО «Трансаэро». Метод основывается на использовании отдельных инструментов программы Orange
наряду с традиционным сопоставлением данных о цене и объемах торгов отдельными ценными бумагами, позволяющих визуализировать анормальную динамику. В результате исследования выделено пять основных комбинаций показателей, характеризующих конкретные биржевые ситуации, на основе которых возможно определить факт инсайдерского либо манипуля-тивного воздействия.
Практические последствия. Результаты представленной работы могут выступать основой дальнейшего развития применения технологий DataMining в целях анализа рынка ценных бумаг на предмет наличия инсайдерской и манипулятивной деятельности.
Оригинальность/значение. Научная значимость заключается в разработке нового подхода к выявлению недобросовестных практик на основе данных о торгах и новостного потока посредством их обработки с помощью инструментов DataMining. Результаты данной работы могут быть использованы организаторами торгов на рынке ценных бумаг, а также другими участниками в целях повышения эффективности контроля над соблюдением законодательства в области регулирования инсайдерства и манипулирования.
Ключевые слова: рынок ценных бумаг, инсайдер, инсайдерская деятельность, манипулирование на рынке ценных бумаг, фондовый рынок, фондовая биржа, инвесторы, DataMining, BigData.
M. V. Anashkina, I.V. Kolesova
APPLICATION OF DATAMINING IN THE PROCESS OF DETECTING UNFAIR PRACTICES IN THE SECURITIES MARKET (BASED ON THE CASE)
Abstract
The presented work aims to develop a method for identifying unfair practices using DataMining tools.
An acute problem of control over compliance with the legislation on countering in-
sider activities and manipulation in the securities market today is the lack of effective mechanisms for detecting such activities, which does not allow timely response to them. The subject of the research is to study the possibility of using DataMining tools to identify unfair practices in the Russian market.
The article provides a theoretical justification for the need to strengthen the fight against unfair practices in the Russian market. The authors have proposed a method for identifying them based on DataMining technologies. The method was tested in the form of a case according to the data of JSC Transaero. The method is based on the use of separate tools of the Orange program along with the traditional comparison of data on the price and trading volumes of individual securities, which allows visualizing abnormal dynamics. As a result of the study, five main combinations of indicators that characterize specific exchange situations were identified, on the basis of which it is possible to determine the fact of insider or manipulative influence.
The results of the presented work can serve as the basis for the further development of the application of DataMining technologies in order to analyze the securities marketfor the presence of insider and manipulative activity.
The scientific significance lies in the development of a new approach to identifying unfair practices based on trading data and news flow, through their processing using DataMin-ing tools. The results of this work can be used by the organizers of trading on the securities market, as well as by other participants in order to increase the efficiency of control over compliance with legislation in the field of insider trading and manipulation.
Keywords: securities market, insider, insider trading, securities market manipulation, stock market, stock exchange, investors, DataMining, BigData.
Введение
Современный российский рынок ценных бумаг относится к числу развивающихся и характеризуется рядом специфических черт, изучение которых необходимо с целью выработки эффективной политики его даль-
нейшего развития. Наиболее важной является проблема противодействия недобросовестным практикам, порождающая укрупнение и замкнутость рынка - он становится недоступным мелким инвесторам и новым игрокам в результате негативного влияния информационной асимметрии. Этот фактор, в свою очередь, выступает одной из основных причин роста недоверия участников, отсутствия спроса на активы и инструменты, находящиеся в обращении, среди отечественных и зарубежных инвесторов и, как следствие, низкого темпа развития рынка.
Исследованию влияния инсайдерской деятельности на рынке ценных бумаг посвящены труды российских ученых: Е.А. Емельянова, В.Е. Заборовского [1], Д.В. Тамбовской [2], Т.А. Вожакина [3], Л.С. Худяковой, Т.Ч. Ахметова [4], А.Е. Сибякина [5], О.В. Бобкова [6], Е.А. Новиковой, И.Ю. За-горуйко [7], А.П. Сысоева [8].
Теоретические основы природы ин-сайдерства изложены в работах А.В. Мин-балеева, В.И. Майорова, Ю.В. Калининой [9], Е.А. Мамочки [10], Д.В. Тамбовской.
Среди зарубежных исследователей в этой области стоит отметить Л. Биггер-стафа (L. Biggerstaff) [11], Д. Кима (D. Kim) [12], Д. Камминга (D. Cumming) [13], Р. Ли (r. Li) [14], М.Ф. Эсена (M.F. Esen) [15], С. Зениткала (S. Thanitcul) [16].
Материалы и методы
В статье использованы методы анализа, синтеза, систематизации данных. Эмпирической базой исследования являются данные по состоявшимся инсайдерским сделкам в России, что зафиксировано регулятором.
Образование замкнутых информационных потоков в результате инсайдерского воздействия ведет к усилению информационной асимметрии - ситуации, при которой одна группа участников обладает большими знаниями относительно активов и инструментов рынка, чем основная масса, что позволяет им получать прибыль, многократно превышающую средние значения. То есть риск потери вложенных средств для основной массы участников в таких условиях является повышенным. Это можно представить в виде следующей схемы (рис. 1).
Невыполнение рынком основных функций
Аккумулирование денежных средств
Перераспределение денежных средств
Невозможность привлечения широкого круга иностранных и отечественных инвесторов Невозможность интеграции рынка ценных бумаг в мировой финансовый рынок Невозможность развития экономики за счет функционирования рынка ценных бумаг
Рисунок 1 - Влияние инсайдерской деятельности на рынок ценных бумаг и экономику в целом [составлен авторами]
Существенная информационная асимметрия, возникающая в результате активного инсайдерского воздействия, делает рынок непривлекательным как для российских, так и для иностранных инвесторов. Прозрачность такого рынка минимальна, его участники не защищены от действий недобросовестных игроков, а значит, несут повышенные риски. Образование замкнутых информационных потоков делает рынок закрытым для вхождения новых игроков и не позволяет ему расширяться. Таким образом, активное участие в работе фондового рынка населения страны становится невозможным, что является барьером в
процессе перераспределения свободных денежных средств по отраслям экономики.
Оценим современное состояние российского рынка ценных бумаг по некоторым параметрам, характеризующим его доступность и привлекательность. Рассматривая изменение структуры и количества профессиональных участников на российском рынке ценных бумаг (табл. 1), можно заметить сокращение показателей на протяжении трех последних лет. Ежегодно рынок теряет около 11% от общего количества участников. Сокращение касается брокеров, депозитариев, а также компаний, занимающихся доверительным управлением.
Таблица 1 - Изменение количества участников рынка ценных бумаг по годам1
Показатель 2017 2018 2019 Динамика значений показателя, %
2018 2019
Количество профессиональных участников рынка ценных бумаг, ед. 633 569 498 89,9 87,5
Количество компаний с брокерской лицензией, ед. 396 355 304 89,7 85,6
Количество компаний с депозитарной лицензией, ед. 362 323 281 89,3 86,9
Количество компаний с лицензией на управление ценными бумагами, ед. 295 246 208 83,4 84,5
Количество компаний с лицензией на ведение реестра владельцев ценных бумаг, ед. 35 35 33 0 94,2
В то же время наблюдается увеличение числа клиентов данных компаний (табл. 2). Основной объем клиентской массы составляют физические лица, в то время как число юридических лиц на протяжении исследуемого периода демонстрирует незначительные отклонения либо остается стабильным.
Прирост показателей таблицы 2 не связан с повышением эффективности работы рынка в результате налаживания механизма контроля и пресечения инсайдерской деятельности. Об этом свидетельствуют как пояснения Центрального банка, так и увеличение объемов выявляемых нарушений. В соответствии с данными
Банка России, «...основными причинами ухода с рынка компаний являются их добровольные заявления на аннулирование лицензии (59% в структуре ушедших ПУРЦБ) и неоднократные нарушения законодательства в сфере рынка ценных бумаг». Среди факторов роста количества клиентов по разным видам обслуживания регулятор называет активное развитие рынка мобильных приложений. При этом отмечается, что количество активных клиентов рынка ценных бумаг возрастает в основном за счет группы инвесторов, осуществляющих сделки исключительно на валютном и срочном рынке, иными словами, получающих доход за счет спекуляций.
Таблица 2 - Изменение количества клиентов на рынке ценных бумаг по годам2
Показатель 2017 2018 2019 Динамика значений показателя, %
2018 2019
Клиенты на брокерском обслуживании, тыс. лиц 1405 1853 3406 131,8 183,8
в т.ч. клиенты - физлица на брокерском обслуживании, тыс. лиц 1385 1833 3386 132,3 184,7
в т.ч. клиенты - юрлица на брокерском обслуживании, тыс. лиц 20 20 20 0 0
Клиенты на депозитарном обслуживании, тыс. лиц 1807 2 305 3713 127,5 161,1
в т.ч. клиенты - физлица на депозитарном обслуживании, тыс. лиц 1776 2 227 3686 125,3 165,5
в т.ч. клиенты - юрлица на депозитарном обслуживании, тыс. лиц 31 28 27 90,3 96,4
Количество зарегистрированных лиц, млн лиц 23,9 23,2 19,8 97,1 85,3
1 Официальный сайт Центрального банка Российской Федерации. URL: http://www.cbr.ru/
2 Официальный сайт Центрального банка Российской Федерации. URL: http://www.cbr.ru/
Анализ динамики активных клиентов свидетельствует о том, что интерес к рынку среди населения страны по-прежнему остается незначительным. Как видно на диаграмме (рис. 2), доля активных клиентов на
Закон о противодействии инсайдерской деятельности и манипулированию рынком в России принят лишь в 2010 году, однако эффективный механизм выявления недобросовестных практик до сих пор не сформирован, что объясняет крайне низкий объем выявленных случаев нарушения законодательства. Выявление неправомерного использования инсайдерской информации на данный момент представлено единичными случаями, о чем свидетельствуют отчеты, публикуемые ЦБ РФ.
Современная система выявления и противодействия недобросовестным практикам на рынке ценных бумаг, предусмотренная нормативными документами Центрального банка и Московской фондовой биржи содержит в большей части требования к структуре контролирующих элементов на каждом отдельном уровне, а также перечень их полномочий. В то же время на рынке ценных бумаг техническая сторона проведения проверки четко не регламентирована.
Основой для начала проведения проверки является обнаружение существен-
брокерском обслуживании на протяжении исследуемого периода остается на уровне 12%, на депозитарном обслуживании -около 10%, находящихся на доверительном управлении - около 19%.
ного отклонения цены активов и инструментов рынка от среднего объема сделок за один торговый день. Методические рекомендации по установлению критериев существенного отклонения разработаны и представлены Центральным банком на официальном сайте. При этом они различны для ценных бумаг и производных финансовых инструментов.
В то же время использование в качестве индикатора отклонения цены может быть эффективным при выявлении манипу-лятивной деятельности. Что касается выявления инсайдерства, такой подход является спорным, поскольку не во всех случаях при данном виде нарушения может наблюдаться ее существенное отклонение. Эта деятельность чаще всего осуществляется незаметно для большинства участников и не предполагает явного изменения основных показателей, что и обусловливает сложность в ее выявлении.
Таким образом, острой проблемой контроля над соблюдением законодательства о противодействии инсайдерской деятельности и манипулированию на рынке
45 40 35 30 25 20 15 10 5 0
2017
2018
2019
| Доля активных клиентов на брокерском обсуживании, %
Доля активных клиентов на депозитарном обслуживании, %
Доля активных клиентов на доверительном управлении,%
Рисунок 2 - Доля активных клиентов на рынке ценных бумаг по видам обслуживания [составлен авторами]
ценных бумаг на сегодняшний день является отсутствие эффективных механизмов выявления такой деятельности, что не позволяет своевременно реагировать на них.
В эпоху массового внедрения технических средств и финансовых технологий в различные области жизни возникает все больше возможностей, но вместе с тем и множество проблем, требующих соответствующего подхода к их решению. Рынок ценных бумаг не является исключением. Стремительное развитие технологий требует применения адекватных, эквивалентных механизмов выявления недобросовестной деятельности.
Одним и возможных путей решения данной проблемы является использование технологий Big Data.
Big Data - это серия подходов, инструментов и методов обработки структурированных и неструктурированных данных сверхбольших объемов и значительного многообразия для получения воспринимаемых человеком результатов. Такие данные эффективно обрабатываются с помощью масштабируемых программных инструментов, которые появились в конце 2000-х годов и стали альтернативой традиционным
базам данных. В России под Big Data подразумевают также технологии обработки, а в мире - лишь сам объект исследования. Анализ больших данных позволяет получить новую, неизвестную информацию.
Результаты
В данной работе нами рассмотрен DataMining - процесс обработки и структуризации данных, этап аналитики для выявления закономерностей, основная задача которого - структурирование разнообразных сведений, поиск скрытых и неочевидных связей для приведения к единому знаменателю.
На сегодняшний день существует множество программ DataMining, наиболее распространенными из которых являются: RapidMiner, WEKA, R, Orange, KNIME, NLTK, Carrot 2, QlucoreOmicsExplorer, OracleDataMiner.
Для проведения исследования нами применялась программа Orange, которая имеет открытый код. Данная программа имеет удобный интерфейс и множество инструментов, применимых для анализа биржевых рядов и информационных потоков.
Общая схема предлагаемого нами подхода к выявлению инсайдерской и ма-нипулятивной деятельности представлена на рисунке 3.
Рисунок 3 - Общая схема выявления инсайдерской деятельности с использованием программ Big Data [составлен авторами]
На подготовительном этапе необходимо осуществить сбор данных для анализа открытого информационного потока рынка: изменения котировок проверяемых ценных бумаг и объемов торгов, а также новостной поток за исследуемый период. Далее необходимо приступить к выявлению несоответствия объемов торгов движению котировок ценных бумаг. При выявлении несоответствия для определения вероятности инсайдерского и манипулятивного воздействия возможно использование инструментов Big Data.
Исследование проведено на основе кейса, представленного данными ОАО «АК
«Трансаэро» за 2016 год. Выбор объясняется наличием подтвержденных фактов манипулирования и инсайдерской деятельности, выявленных Центральным банком в 2019 году, которые были произведены с акциями компании. Использование в работе данных компании за указанный период позволит проверить эффективность предложенного нами метода.
Рассмотрим процедуру выявления недобросовестных практик с использованием программы Orange подробнее. Весь комплекс действий, производимых в программе, можно разделить на три этапа (рис. 4).
Рисунок 4 - Этапы проведения проверки на наличие недобросовестных практик с использованием программы Orange [составлен авторами]
Как уже говорилось ранее, на первом этапе необходимо осуществить проверку соответствия объемов торгов акциями исследуемой нами ОАО «АК «Трансаэро» динамике котировок, что удобно сделать, применив один из инструментов Orange -LineChart (TimeSeries), предназначенный для анализа биржевых рядов. Совмещение
графиков позволяет выявить «выбросы». Как видно на рисунке 5, в декабре 2016 года по акциям ОАО «АК «Трансаэро» наблюдается подозрительная активность при одновременном снижении цены, что может указывать на наличие недобросовестных практик в отношении данных акций.
Туре; [Юпе_
П 1_одапЙшс а>
Ш объёмы торгов О цена Ш Индекс Ш 5епйтеп!_1
СИ РеайгеЗ
О Дата
(О 5епйтеп1_2
Туре; [Юпе_
П 1_одапЙшс а>
Ш объёмы торгов О цена Ш Индекс Ш 5епйтеп!_1
СИ РеайгеЗ
О Дата
(О 5епйтеп1_2
10
.
—_____ ^ к 1
0
40М
20М ЮМ ]
к
РеЬ '16 Маг'16 Дрг'16 Мау'16 _|ип"16 ДО" 16 Аид 16 5ер'16 Ой'16 N04'16 Оес'16
— цена — объёмы торгов
г в
Рисунок 5 - Определение несоответствия объемов торгов динамике котировок ОАО «АК «Трансаэро» [составлен авторами]
На следующем этапе при помощи компонентов TextMining и TimeSeries нами осуществлен анализ информационного потока по компании: для этого необходимо было сформировать корпус исследования -файл с новостными событиями за изучаемый период. Данные для формирования корпуса брались из открытых источников, которые используются также инвесторами.
Проведение анализа осуществляется в несколько шагов: проверка подготовленного корпуса, подготовка к сентимент-анализу, определение эмоциональной окраски текста, извлечение итоговых данных о сентименте.
Полученные на этом этапе данные были сопоставлены с исходными данными о торгах. Полученные значения сентимента также были визуализированы и сопоставлены с графиками торгов (рис. 6).
Рисунок 6 - Сопоставление графиков объема торгов, цены и сентимента
[составлен авторами]
Визуализация данных с помощью инструмента LineChart позволила провести анализ соответствия движения графиков объема и цены значениям сентимента. Таким образом, при отсутствии недобросовестных практик на рынке ценных бумаг изменения объемов торгов и цены должны соответствовать дате события (значению сентимента) либо наблюдаться после него. В случае если изменение объемов торгов и цены предшествует выбросу значения сен-тимента, можно говорить о наличии недобросовестной практики в этом окне события.
По результатам проведенного анализа можно выделить пять комбинаций рассмотренных нами показателей, характеризующих, соответственно, разные биржевые ситуации:
1. Расчетное значение сентимента незначительно, объемы торгов не изменяются либо незначительны, изменение цены незначительно либо отсутствует - нормальное состояние рынка.
2. Расчетное значение сентимента значительно, объемы торгов существенно изменяются, наблюдается изменение цены - нормальное состояние рынка.
3. Расчетное значение сентимента незначительно, объемы торгов изменяются, изменение цены не существенно либо не наблюдается, их значения опережают значение сентимента - инсайдерская деятельность.
4. Расчетное значение сентимента незначительно, объемы торгов и цена существенно изменяются - манипулятивная деятельность.
5. Расчетное значение сентимента значительно, объемы торгов не изменяются либо незначительны, изменение цены незначительно либо отсутствует - информация недооценена участниками торгов.
На графике (рис. 7) видно, что окна событий 1-5, 7-9 и 12 соответствуют нормальному состоянию рынка, в то время как в окнах 6, 11 и 13 наблюдается опережение событий основными параметрами торгов. В окне 10 также наблюдается подозрительная активность - как можно увидеть, в данный период значение сентимента было невысоким, однако при этом наблюдается существенный выброс объемов торгов с одновременным увеличением цены.
Рисунок 7 - Области несоответствия [составлено авторами]
Данная комбинация соответствует четвертому типу, то есть, вероятно, манипулирование рынком. При этом окна 6, 11 и 13 вероятнее всего отражают инсайдерскую активность, поскольку соответствуют третьему выделенному нами типу.
Обсуждение
В целях проверки предложенного нами метода выявления недобросовестных практик осуществим сравнение полученных в ходе его применения результатов с данными Центрального банка.
Согласно отчету, размещенному на официальном сайте, в период с 02.11.2016 по 19.12.2016 с акциями ОАО «Трансаэро» были осуществлены сделки, расцененные Центральным банком как неправомерное использование инсайдерской информации и манипулирование рынком. Как можно увидеть, окна 10, 11 и 13, в которых нами были выявлены несоответствия, приходятся на данный период. Однако еще одно выделенное нами окно (6) не находит подтверждения в отчетах ЦБ, однако имеет аналогичные характеристики, что также позволяет утверждать о высокой вероятности наличия на данном промежутке недобросовестных практик.
Заключение
Рассмотренный в данной работе на основе кейса ОАО «Трансаэро» метод выявления недобросовестных практик в ходе проверки подтвердил возможность его применения. Метод основывается на использовании отдельных инструментов программы Orange наряду с традиционным сопоставлением данных о цене и объемах торгов отдельными ценными бумагами, позволяющих визуализировать анормальную динамику.
В результате проведенного исследования выделено пять комбинаций основных составляющих, позволяющих определить биржевую ситуацию, в частности, наличие инсайдерской или манипулятивной деятельности.
Несмотря на положительный результат проверки с официальными данными ЦБ РФ, данный метод требует дальнейшей детальной проработки и тестирования на большем объеме биржевых данных, что будет сделано в последующих работах авторов.
Исследование выполнено при финансовой поддержке РФФИ и ЭИСИ в рамках научного проекта № 20-011-31388\20.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Заборовский В.Е., Заборов-ская А.Е., Плетнев К.В. Необходимость и направления государственного регулирования и предотвращения манипулятивных сделок на фондовом рынке // Вестник УрФУ. Серия экономика и управление, 2018. - Т. 17. - №5. - С. 839-868.
2. Тамбовская Д.В., Пшикано-кова Н.И. Инсайдерская деятельность в России: сущность и способы контроля // Вестник АГУ, серия «Экономика», 2018. -№4(230). - С. 36-40.
3. Вожакин Т.А. Проблемы и вопросы конституционного и административного права // Вестник ЮУрГУ, 2016. - т.16, №3. - С. 97-104.
4. Ахметов Т.Ч. Актуальные вопросы противодействия неправомерному использованию инсайдерской информации // Научный портал МВД России, 2016. -№ 1. - С. 95-99.
5. Сибякин А.Е. Использование инсайдерской информации и особенности менталитета // Социально-политические науки, 2016. - №4. - С. 167-171.
6. Бобков О.В. Манипулирование рынком: проблемы эффективности уголовно-правового запрета // Юридическая и правоохранительная практика, 2017. -№ 2 (40). - С. 206-211.
7. Загоруйко И.Ю. Современные подходы к недобросовестной конкуренции на рынке ценных бумаг // Московский экономический журнал, 2019. - №11. - С. 34.
8. Сысоев А.П. Формы и методы борьбы с незаконным использованием инсайдерской информации и преднамеренным манипулированием рынком // Экономика и предпринимательство, 2015. -№ 8-1 (61). - С. 783-789.
9. Калинина Ю.В. Понятие и признаки инсайдерской информации // Информационное право, 2017. - № 1. - С. 39-45.
10. Мамочка Е.А. Инсайдерская информация: понятие, признаки, проблемы // Территория новых возможностей. Вестник ВГУЭС, 2016. - № 2. - С. 90-99.
11. Biggerstaff L., Cicero D., Win-toki MB. (2020). Insider trading patterns // Journal of Corporate Finance. Vol. 64.
12. Kim D., Ng L., Wang Q., Wang X. (2019). Insider Trading, Informativeness, and Price Efficiency Around the World // Asia-Pacific Journal of Financial Studies. Vol. 48, Issue 6, P. 727-776.
13. Cumming, D., Johan, S. (2019). Capital-market effects of securities regulation: Prior conditions, implementation, and enforcement revisited // Finance Research Letters, Vol. 31, P. 425-435.
14. Li R., Wang X., Yan Z., Zhang Q. (2019). Trading against the grain: When insiders buy high and sell low // Journal of Portfolio Management. Vol. 46, Issue, P. 139-151.
15. Esen MF., Singal M., Kot H.W., Chen, M.-H. (2019). Can insider trading in U.S. hospitality firms predict future returns? // International Journal of Hospitality Management. Vol. 83, P. 115-127.
16. Thanitcul S., Srinopnikom T. (2019). Monetary penalties: An empirical study on the enforcement of thai insider trading sanctions // Kasetsart Journal of Social Sciences. Vol. 40, Issue 3, P. 635-641.
BIBLIOGRAPHIC LIST
1. Zaborovsky V.E., Zabo-rovskaya A.E., Pletnev K.V. (2018). Necessity and directions of state regulation and prevention of manipulative transactions on the stock market. Bulletin of Urfu. Series Economics and management. Vol. 17, Issue. 5. P. 839-868.
2. Tambovskaya D.V., Pshikanokova N.I. (2018). Insider activity in Russia: nature and methods of control. ASU Bulletin, "Economics "series", Vol. 4 (230). P. 36-40. P. 38.
3. Vozhakin T.A. (2016). Problems and questions of constitutional and administrative law. Bulletin of SUSU. Vol. 16, Issue 3. P. 97-104.
4. Akhmetov T.CH. (2016). Topical issues of countering the misuse of insider information. Scientific portal of the Ministry of internal Affairs of Russia, Vol. 1, P. 95-99.
5. Sibyakin A.E. (2016). Use of insider information and features of mentality. Social and political Sciences, Vol. 4, P. 167-171.
6. Bobkov O.V. (2017). Market Manipulation: problems of effectiveness of criminal
law prohibition. Legal and law enforcement practice, Vol. 2 (40). P. 206-211.
7. Zagoruiko I.Yu. (2019). Modern approaches to unfair competition in the securities market. Moscow economic journal Vol. 11. P. 34.
8. Sysoev A.P. (2015). Forms and methods of combating illegal use of insider information and deliberate market manipulation. Economy and entrepreneurship. Vol. 8-1 (61). Pp. 783-789.
9. Kalinina Yu.V. (2017). The Concept and signs of insider information. Information law. Vol. 1. P. 39-45.
10. Mamochka E.A. (2016). Insider information: concept, signs, problems. Territory of new opportunities. Vestnik VSUES. Vol. 2. P. 90-99.
11. Biggerstaff L., Cicero D., Win-toki MB. (2020). Insider trading patterns. Journal of Corporate Finance. Vol. 64.
12. Kim D., Ng L., Wang Q., Wang X. (2019). Insider Trading, Informativeness, and Price Efficiency Around the World. Asia-Pacific Journal of Financial Studies. Vol. 48, Issue 6, P. 727-776.
13. Cumming D., Johan S. (2019). Capital-market effects of securities regulation: Prior conditions, implementation, and enforcement revisited. Finance Research Letters, Vol. 31, P. 425-435.
14. Li R., Wang X., Yan Z., Zhang Q. (2019). Trading against the grain: When insiders buy high and sell low. Journal of Portfolio Management. Vol. 46, Issue, P. 139-151.
15. Esen M.F., SingalM., Kot, H.W., Chen M.-H. (2019). Can insider trading in U.S. hospitality firms predict future returns? International Journal of Hospitality Management. Vol. 83, P. 115-127.
16. Thanitcul S., Srinopnikom T. (2019). Monetary penalties: An empirical study on the enforcement of thai insider trading sanctions. Kasetsart Journal of Social Sciences. Vol. 40, Issue 3, P. 635-641.
