La identificación del comercio interno ilegal presenta una tarea desafiante que atrae un gran interés de los investigadores debido al grave daño que las actividades de comercio interno causan a la confianza de los inversores y al desarrollo sostenible de los mercados de valores. En este estudio, propusimos un enfoque de identificación que integra XGboost (eXtreme Gradient Boosting) y NSGA-II (Algoritmo Genético de Clasificación No Dominada II) para la regulación del comercio interno. Primero, los casos de comercio interno que ocurrieron en el mercado de valores chino se derivaron automáticamente y se calcularon y obtuvieron sus indicadores relevantes. Luego, el método propuesto entrenó el modelo XGboost y utilizó el NSGA-II para optimizar los parámetros de XGboost mediante el uso de múltiples funciones objetivo. Finalmente, las muestras de prueba se identificaron utilizando el XGboost con parámetros optimizados. Su rendimiento se midió empíricamente tanto por la precisión de identificación como por la eficiencia en múltiples longitudes de ventana temporal. Los resultados de los experimentos mostraron que el enfoque propuesto logró con éxito la mejor precisión bajo la longitud de ventana temporal de 90 días, demostrando que las características relevantes calculadas dentro de la longitud de ventana temporal de 90 días podrían ser extremadamente beneficiosas para la regulación del comercio interno. Además, el enfoque propuesto superó todos los métodos de referencia en términos de precisión de identificación y eficiencia, lo que indica que podría utilizarse como un enfoque alternativo para la regulación del comercio interno en el mercado de valores chino. El enfoque propuesto y los resultados de esta investigación son de gran importancia para que los reguladores del mercado mejoren su eficiencia y precisión en la identificación del comercio interno ilegal.