Frauds are prevalent across all industries; and they are
particularly severe in todays computerized, web-connected,
mobile-accessible, and cloud-enabled business
environments. A Federal Bureau of Investigation (FBI)
report states that the insurance industry in the US, which
consists of over seven thousand companies and collects over
one trillion dollars in premiums, loses about forty billion
dollars annually in frauds in the non-health insurance sector
alone. The aggregate size of the 52 regulated stock
exchanges across the world (total market capitalization) was
$55 trillion as of December 2012. Given the money involved,
it is not surprising that the stock market is a target of frauds.
Many malpractices in stock market trading, e.g. circular
trading and price manipulation, use the modus operandi of
collusion. Informally, a set of traders is a candidate collusion
set when they have heavy trading among themselves, as
compared to their trading with others. We formalize the
problem of detection of collusion sets, if any, in a given
trading database. We show that na�ve approaches are
inefficient for real-life situations. We adapt and apply two
well-known graph clustering algorithms for this problem.
We also propose a new graph clustering algorithm,
specifically tailored for detecting collusion sets; further, we
establish a combined collusion set. Treating individual
experiments as evidence, this approach allows us to quantify
the confidence (or belief) in the candidate collusion sets. We
have carried out detailed simulation experiments to
demonstrate effectiveness of the proposed algorithms. The
system is also operational in a government organization.
Note that all our collusion detection algorithms are
completely unsupervised and do not need any training data.

Les fraudes sont répandues dans toutes les industries; et ils sont particulièrement graves dans les environnements professionnels actuels informatisés, connectés au Web, accessibles aux mobiles et compatibles avec le cloud. Un rapport du Federal Bureau of Investigation (FBI) indique que l'industrie de l'assurance aux États-Unis, qui se compose de plus de sept mille entreprises et collecte plus d'un billion de dollars de primes, perd environ quarante milliards de dollars par an en fraudes dans le seul secteur de l'assurance non médicale. . La taille globale des 52 bourses réglementées à travers le monde (capitalisation boursière totale) était de 55 000 milliards de dollars en décembre 2012. Compte tenu de l'argent en jeu, il n'est pas surprenant que le marché boursier soit la cible de fraudes. De nombreuses pratiques frauduleuses dans les transactions boursières, par exemple les transactions circulaires et la manipulation des prix, utilisent le modus operandi de la collusion. De manière informelle, un ensemble de commerçants est un ensemble de candidats à la collusion lorsqu'ils ont des échanges importants entre eux, par rapport à leurs échanges avec d'autres. Nous formalisons le problème de détection des ensembles de collusion, s'il y en a, dans une base de données de trading donnée. Nous montrons que les approches naïves sont inefficaces pour les situations réelles. Nous adaptons et appliquons deux algorithmes de clustering de graphes bien connus pour ce problème. Nous proposons également un nouvel algorithme de regroupement de graphes, spécialement conçu pour détecter les ensembles de collusion ; de plus, nous établissons un ensemble combiné de collusion. En traitant les expériences individuelles comme des preuves, cette approche nous permet de quantifier la confiance (ou la croyance) dans les ensembles de collusion candidats. Nous avons réalisé des expériences de simulation détaillées pour démontrer l'efficacité des algorithmes proposés. Le système est également opérationnel dans une organisation gouvernementale. Notez que tous nos algorithmes de détection de collusion sont totalement non supervisés et ne nécessitent aucune donnée d'apprentissage.

A set of unsupervised machine learning algorithms to detect
collusion-based frauds, particularly circular trading and
price manipulation in stock market trading.

Un ensemble d'algorithmes d'apprentissage automatique non supervisés pour détecter les fraudes basées sur la collusion, en particulier les transactions circulaires et la manipulation des prix dans les transactions boursières.

Detection of frauds based on collusions