Design of Rule-Based KPIs for Detection of Market Manipulation in Wholesale Energy Markets

Abstract

Este Trabajo Fin de Máster aborda el diseño de metodologías basadas en reglas para la detección de manipulación de mercados, en particular el spoofing y el layering, en el Mercado Intradiario Continuo Ibérico de Electricidad (IDC), operado por OMIE. Motivado por el fuerte incremento en la actividad de envío de órdenes que hace que la monitorización de los mercados es infactible sin herramientas automáticas, el estudio desarrolla dos metodologías de detección complementarias fundamentadas en REMIT, en las Guidance Notes de HACER y en el estado del arte de la detección de manipulación de mercado para los mercados financieros. Para el spoofing, la metodología adapta una métrica basada en momentum inspirada en analogías de física estadística aplicadas al Order Book (desarrollada originalmente por Li et al. para mercados de criptomonedas), utilizada para prefiltrar órdenes que generan un momentum anómalo, seguida de una detección de casos y una caracterización final basada en puntuaciones que distingue la manipulación del arbitraje legítimo. Para el layering, el prefiltrado se basa en el ranking de volumen de órdenes y en la detección de valores atípicos del ratio Order-to-Trade, seguido de la identificación de secuencias de órdenes escalonadas. Ambas metodologías fueron validadas con conjuntos de datos sintéticos etiquetados y aplicadas a diez días de datos reales del mercado ibérico (enero de 2026). Los resultados muestran una alta sensibilidad (recall), especialmente para intentos de manipulación de mayor magnitud, y un buen desempeño en la clasificación de casos manipulativos frente al arbitraje. La aplicación a datos reales reveló varios agentes con comportamientos coherentes con spoofing y layering. Ambos modelos resultaron computacionalmente eficientes para su uso operativo diario, y la tesis concluye proponiendo mejoras futuras, incluyendo la calibración de parámetros y la posible incorporación de técnicas de aprendizaje automático.This Master's thesis addresses the design of rule-based methodologies for detecting market manipulation, in particular spoofing and layering, in the Iberian Continuous Intraday Electricity Market (IDC), operated by OMIE. Motivated by the sharp rise in order-submission activity that makes market monitoring infeasible without automatic tool, the study develops two complementary detection frameworks grounded in REMIT, ACER's Guidance Notes and the State-of-the-art in market manipulation detection tools for financial markets. For spoofing, the methodology adapts a momentum-based metric inspired by statistical-physics analogies of limit order books (originally developed by Li et al. for cryptocurrency markets) to prefilter orders generating abnormal market momentum, followed by case detection and a scoring-based final characterization distinguishing manipulation from legitimate arbitrage. For layering, prefiltering relies on order-volume ranking and Order-to-Trade ratio outlier detection, followed by identification of layering cases. Both methodologies were validated on synthetic datasets with labeled manipulation scenarios and applied to ten days of real Iberian market data (January 2026). Results show high recall, especially for larger manipulation attempts, and strong ranking performance distinguishing manipulative cases from arbitrage. Application to real data revealed several agents exhibiting behaviors consistent with spoofing and layering. Both models proved computationally efficient enough for daily operational use. The thesis concludes with proposed refinements, including improved parameter calibration, cross-contract analysis, and potential integration of machine learning techniques into OMIE's surveillance framework.