Теория сигналов в системах поведенческого анализа: энтропия действий, информационная утечка и равновесие

1. Модель сигналов Спенса: действия как сигналы типа

В классической модели Спенса (Spence, 1973) агент совершает наблюдаемые действия (сигналы), по которым принципал определяет его скрытый тип. Адаптируем эту модель:

Компонент модели	Формализация
Типы участников \(\theta \in \Theta\)	\(\theta_H\) — обычный (человек), \(\theta_A\) — автоматизированный агент, \(\theta_S\) — систематический участник
Сигналы \(\mathbf{x} = (x_1, \ldots, x_d)\)	Вектор поведенческих признаков: интервалы между действиями, траектории курсора, последовательности размеров позиций и т.д.
Классификатор \(C(\mathbf{x}) \to \Theta\)	Система оператора, отображающая сигналы в оценку типа
Стоимость сигнала \(c(\mathbf{x}, \theta)\)	Для \(\theta_A\): имитация «человеческих» паттернов требует снижения эффективности. Для \(\theta_H\): естественное поведение бесплатно

Ключевое свойство модели: стоимость имитации асимметрична. Для автоматизированного агента генерация «естественной» энтропии — вычислительно затратная задача, тогда как для человека это происходит без усилий.

2. Энтропия Шеннона поведенческих последовательностей

Центральная метрика систем классификации — энтропия последовательности действий. Если участник совершает действия \(a_1, a_2, \ldots, a_n\) с эмпирическим распределением частот \(\hat{p}(a)\), энтропия Шеннона:

\[ H(\mathbf{a}) = -\sum_{a \in \mathcal{A}} \hat{p}(a) \log_2 \hat{p}(a). \]

Три режима энтропии

Тип участника	Типичная \(H\)	Характеристика
\(\theta_A\) — автоматизированный	\(H \to 0\)	Повторяющиеся паттерны, фиксированные интервалы, минимальная вариативность
\(\theta_S\) — систематический	\(H \approx H_{\text{human}} \times 0{,}6\text{–}0{,}8\)	Сниженная энтропия из-за детерминированного алгоритма решений, но с «шумом» ручного ввода
\(\theta_H\) — обычный	\(H \approx H_{\max}\)	Высокая вариативность, непредсказуемые паузы, хаотические траектории

Условная энтропия и Марковская модель

Более точный анализ учитывает условную энтропию — предсказуемость текущего действия по предыдущим:

\[ H(X_t \mid X_{t-1}, \ldots, X_{t-k}) = -\sum P(\mathbf{x}_{t-k:t}) \log_2 P(x_t \mid \mathbf{x}_{t-k:t-1}). \]

Для автоматизированного агента \(H(X_t \mid X_{t-1}) \approx 0\) — действие полностью определяется предыдущим. Для человека \(H(X_t \mid X_{t-1}) \gg 0\).

Систематический участник занимает промежуточную позицию: решения (размер позиции, момент входа) детерминированы, но моторика (курсор, тайминг клавиш) — естественная.

3. Информационная утечка: какие признаки раскрывают тип

Не все поведенческие признаки одинаково информативны. Количественная оценка — взаимная информация между признаком \(X_i\) и типом \(\theta\):

\[ I(X_i; \theta) = H(X_i) - H(X_i \mid \theta) = \sum_{\theta} \sum_{x} P(x, \theta) \log_2 \frac{P(x, \theta)}{P(x) P(\theta)}. \]

Чем выше \(I(X_i; \theta)\), тем больше информации о типе содержит признак.

Информационная утечка поведенческих признаков (оценки на основе типичных параметров классификаторов)
Признак \(X_i\)	Типичная \(I(X_i; \theta)\)	Почему высокая/низкая утечка
Дисперсия интервалов между действиями \(\sigma^2(\Delta t)\)	Высокая (~0,8 бит)	Человек: σ² велика. Автомат: σ² → 0. Главный разделяющий признак
Корреляция размера позиции с оценкой состояния	Высокая (~0,7 бит)	Систематический участник: corr → 1. Обычный: corr ≈ 0
Энтропия траектории курсора	Средняя (~0,5 бит)	Человек: сложные кривые. Автомат: прямые линии. Но легко имитировать
Длительность сессии	Средняя (~0,4 бит)	Автомат: 24ч+. Человек: 1–3ч. Но корреляция слабая
Время реакции на уведомления платформы	Средняя (~0,4 бит)	Автомат: мгновенно или игнорирует. Человек: 2–10 секунд
Выбор конкретных моделей	Низкая (~0,2 бит)	Систематический: высокий RTP. Но и обычные участники выбирают их
Объём единичной позиции	Низкая (~0,1 бит)	Сильно варьирует у всех типов

Вывод: максимум информации содержат временны́е характеристики (дисперсия интервалов) и корреляция размера позиции с состоянием системы. Именно эти два признака — основа большинства классификаторов.

4. Байесовская классификация: как принимается решение

Оператор использует байесовский классификатор с апостериорной вероятностью:

\[ P(\theta \mid \mathbf{x}) = \frac{P(\mathbf{x} \mid \theta) \cdot P(\theta)}{\sum_{\theta'} P(\mathbf{x} \mid \theta') \cdot P(\theta')}. \]

Решение об ограничении принимается при:

\[ P(\theta_A \mid \mathbf{x}) > \tau_A \quad \text{или} \quad P(\theta_S \mid \mathbf{x}) > \tau_S, \]

где \(\tau_A \approx 0{,}90\) (высокий порог для блокировки автоматизации), \(\tau_S \approx 0{,}70\) (ниже порог для ограничений систематических участников).

Асимметрия ошибок

Тип ошибки	Описание	Цена для оператора	Влияние на порог
Ложная тревога (FP)	Обычный участник классифицирован как систематический	Потеря дохода + репутационный ущерб	Повышает \(\tau\) → менее агрессивная детекция
Пропуск (FN)	Систематический участник не обнаружен	Финансовые потери от эксплуатации Edge	Понижает \(\tau\) → более агрессивная детекция

Оптимальный порог минимизирует взвешенную функцию потерь:

\[ \tau^* = \arg\min_\tau \left[ w_{\text{FP}} \cdot \text{FPR}(\tau) + w_{\text{FN}} \cdot \text{FNR}(\tau) \right]. \]

Подробнее о ROC-анализе и сравнении систем — velocity rules и ML-классификаторы.

5. Колмогоровская сложность и «естественность»

Формализуем интуитивное понятие «естественность поведения» через колмогоровскую сложность \(K(\mathbf{x})\) — длину кратчайшей программы, генерирующей последовательность \(\mathbf{x}\):

\[ K(\mathbf{x}_{\theta_A}) \ll K(\mathbf{x}_{\theta_H}). \]

Поведение автоматизированного агента имеет малую колмогоровскую сложность (генерируется простой программой). Человеческое поведение — высокую (требует сложной модели для описания).

На практике \(K(\mathbf{x})\) невычислима, но аппроксимируется через сжатие:

\[ \hat{K}(\mathbf{x}) \approx \text{len}(\text{gzip}(\mathbf{x})) / \text{len}(\mathbf{x}). \]

Коэффициент сжатия — практически вычислимая метрика «случайности» последовательности. Если последовательность действий хорошо сжимается → она регулярна → высокая вероятность автоматизации.

Тип последовательности	Коэффициент сжатия	Интерпретация
Фиксированный цикл (автомат)	0,05–0,15	Сжимается в 7–20 раз → легко детектируется
Систематический участник	0,30–0,50	Частичная регулярность в решениях
Обычный участник	0,70–0,95	Почти несжимаемо → «случайное» поведение
Чистый шум (эталон)	~1,00	Несжимаемо

6. Равновесие Нэша в игре «детекция — адаптация»

Взаимодействие оператора и систематического участника — игра с неполной информацией. Формализуем:

Участники и стратегии

Оператор: выбирает вектор весов классификатора \(\mathbf{w}\) и порог \(\tau\).
Систематический участник: выбирает уровень «маскировки» \(m \in [0, 1]\) — долю поведения, адаптированного для снижения детекции.

Функции выигрыша

\[ U_{\text{operator}}(\mathbf{w}, \tau; m) = \text{TPR}(\mathbf{w}, \tau, m) \cdot V_{\text{detect}} - \text{FPR}(\mathbf{w}, \tau) \cdot C_{\text{FP}} \]

\[ U_{\text{participant}}(m; \mathbf{w}, \tau) = (1 - \text{TPR}(\mathbf{w}, \tau, m)) \cdot V_{\text{edge}} - m \cdot C_{\text{mask}} \]

где \(V_{\text{detect}}\) — ценность обнаружения, \(C_{\text{FP}}\) — цена ложной тревоги, \(V_{\text{edge}}\) — ценность эксплуатации преимущества, \(C_{\text{mask}}\) — стоимость маскировки (потеря эффективности).

Равновесие

В равновесии Нэша ни одна сторона не может улучшить свой результат односторонним изменением стратегии:

\[ \frac{\partial U_{\text{operator}}}{\partial \mathbf{w}} = 0, \quad \frac{\partial U_{\text{participant}}}{\partial m} = 0. \]

Условие первого порядка для участника:

\[ \frac{\partial \text{TPR}}{\partial m} \cdot V_{\text{edge}} = C_{\text{mask}}. \]

Интерпретация: маскировка продолжается до тех пор, пока предельное снижение вероятности обнаружения (× ценность преимущества) превышает предельную стоимость маскировки.

Динамика равновесия (гонка вооружений)

На практике равновесие — динамическое. Каждый раунд обновления:

Оператор наблюдает распределение признаков → обновляет \(\mathbf{w}_t\).
Систематический участник наблюдает ограничения → увеличивает \(m_{t+1}\).
Оператор адаптирует классификатор → \(\mathbf{w}_{t+1}\) учитывает новые паттерны маскировки.
Цена маскировки растёт с каждым циклом: \(C_{\text{mask}}(t) \uparrow\).

Результат: стоимость маскировки растёт экспоненциально, пока не превысит \(V_{\text{edge}}\) → систематическое участие становится убыточным:

\[ \exists\, t^* : \quad C_{\text{mask}}(t^*) > V_{\text{edge}} \implies m^* = 0 \text{ (отказ от систематической стратегии).} \]

7. Количественная модель: от теории к числам

Пример: корреляция позиции с оценкой состояния

Пусть систематический участник использует формулу \(s_i = f(\hat{\theta}_i)\), где \(\hat{\theta}_i\) — оценка состояния системы. Корреляция:

\[ r = \text{corr}(s_i, \hat{\theta}_i). \]

Для обычного участника: \(r \approx 0 \pm 0{,}1\). Для систематического: \(r \approx 0{,}6\text{–}0{,}9\). Детектор срабатывает при \(r > r_{\text{crit}}\).

Стоимость маскировки через добавление шума

Маскировка: \(s_i' = f(\hat{\theta}_i) + \varepsilon_i\), где \(\varepsilon_i \sim \mathcal{N}(0, \sigma_\varepsilon^2)\). Это снижает корреляцию:

\[ r' = \frac{r \cdot \sigma_s}{\sqrt{\sigma_s^2 + \sigma_\varepsilon^2}} \]

Но шум снижает эффективность стратегии. Потеря ожидаемого преимущества:

\[ \Delta \text{EV} = \text{EV}_{\text{optimal}} - \text{EV}_{\text{noisy}} = \text{EV}_{\text{optimal}} \cdot \left(1 - \frac{\sigma_s^2}{\sigma_s^2 + \sigma_\varepsilon^2}\right). \]

Чтобы снизить \(r\) с 0,8 до 0,3 (ниже \(r_{\text{crit}}\)):

\[ \sigma_\varepsilon \approx 2{,}3 \cdot \sigma_s, \quad \Delta \text{EV} \approx 85\% \text{ от оптимального.} \]

Для маскировки корреляции до неразличимого уровня теряется ~85% преимущества. Оставшиеся ~15% EV могут не покрывать транзакционные издержки и дисперсионный риск.

8. Фундаментальная теорема детекции

Теорема (неформальная): Если систематическая стратегия создаёт положительное ожидание \(\text{EV} > 0\), то по определению она отличается от случайного поведения — и это отличие детектируемо при достаточном объёме данных.

Формальнее: если \(P(\mathbf{x} \mid \theta_S) \neq P(\mathbf{x} \mid \theta_H)\), то по лемме Неймана-Пирсона существует тест с мощностью \(\to 1\) при \(n \to \infty\):

\[ \text{TPR}(n) \to 1 \quad \text{при} \quad n \to \infty, \quad \text{при фиксированном FPR.} \]

Единственный способ быть неразличимым от обычного участника — действовать идентично обычному участнику. Но идентичное поведение даёт \(\text{EV} = -\text{Edge} < 0\).

Дилемма: любое отклонение от «обычного» поведения, приносящее преимущество, создаёт детектируемый сигнал. Чем выше преимущество — тем сильнее сигнал — тем быстрее детекция.

9. Практические следствия

Стратегия участника	Детектируемость	Ожидаемый горизонт	Чистый результат
Открытая систематическая (без маскировки)	Высокая (r ≈ 0,8)	~50–200 событий	Ограничение до реализации EV
Частичная маскировка (шум σ_ε = σ_s)	Средняя (r ≈ 0,5)	~500–2 000 событий	EV снижен на ~50%. Ограничение вероятно
Глубокая маскировка (σ_ε = 2,3·σ_s)	Низкая (r ≈ 0,3)	~5 000+ событий	EV снижен на ~85%. Может быть убыточна
«Обычное» поведение	Нулевая	∞	EV = −Edge (отрицательное)

Выводы

Действия — сигналы типа (модель Спенса). Стоимость имитации «обычного» поведения асимметрична: для автоматизированного агента она высока, для человека — нулевая.
Энтропия Шеннона и колмогоровская сложность — количественные метрики «естественности». Автоматизированные последовательности имеют \(H \to 0\) и коэффициент сжатия 0,05–0,15.
Максимум информации содержат дисперсия интервалов (~0,8 бит) и корреляция позиции с состоянием системы (~0,7 бит). Это главные «каналы утечки».
Равновесие Нэша динамическое: стоимость маскировки растёт с каждым раундом адаптации. Существует \(t^*\), после которого маскировка убыточна.
Фундаментальная теорема: любая стратегия с EV > 0 создаёт детектируемый сигнал. Полная маскировка ≡ отказ от преимущества.
Снижение r с 0,8 до 0,3 стоит ~85% EV — маскировка уничтожает большую часть того, что она защищает.

Предупреждение о рисках: Все материалы на данном сайте носят исключительно образовательный и информационный характер. Они не являются руководством к действию, финансовой рекомендацией или побуждением к участию в какой-либо деятельности. Любые решения в условиях неопределённости сопряжены с рисками, включая полную потерю капитала.