أنماط تجريبية وتوقع أحداث ضخ العملات الرقمية وتصريفها

الملخص

تدرس هذه الدراسة نشاط ضخ العملات الرقمية وتصريفها المنسق، بما يشمل دراسة حالة وتحقيقاً في أحداث نظمتها قنوات تيليغرام خلال فترة محددة. وتبحث عن أنماط السوق المرتبطة بهذه المخططات، وتبني نموذجاً لتقدير العملات المدرجة المحتمل ضخها قبل الحدث. ويعرض المؤلفون العمل بوصفه تحليلاً تجريبياً للتداول المتلاعب به وتطبيقاً للتعلم الآلي على كشفه.

تفيد الورقة بأن النموذج يتمتع بدقة عالية ومتانة، وتختبر استراتيجية تداول بسيطة مبنية على توقعاته. ووجد التطبيق التجريبي المذكور عوائد تصل إلى 60% على استثمارات تجزئة صغيرة خلال نحو شهرين ونصف. ويرتبط هذا الرقم بعينة الدراسة وإعدادها؛ ولا تصف الخلاصة تكاليف المعاملات أو قيود السيولة أو الأداء المعدل حسب المخاطر أو تفاصيل التحقق خارج العينة. ومن الأفضل التعامل مع النتائج كإثبات للمفهوم، لا كضمان لإمكانية إعادة إنتاج الاستراتيجية أو سلامة التداول حول التلاعب المشتبه به.

الأفكار الرئيسية

• تحلل الدراسة أحداث ضخ العملات الرقمية وتصريفها التي نظمتها قنوات تيليغرام.
• تبحث الدراسة أنماط السوق المرتبطة بنشاط الضخ المنسق.
• يقدر نموذج للتعلم الآلي احتمال ضخ عملة مدرجة.
• يفيد المؤلفون باختبار استراتيجية تداول مبنية على توقعات النموذج.
• ترتبط العوائد المذكورة بالعينة التاريخية للدراسة، ولا تثبت الأداء المستقبلي.

الوسوم

# The Anatomy of a Cryptocurrency Pump-and-Dump Scheme


# The Anatomy of a Cryptocurrency Pump-and-Dump Scheme









While pump-and-dump schemes have attracted the attention of cryptocurrency observers and regulators alike, this paper represents the first detailed empirical query of pump-and-dump activities in cryptocurrency markets. We present a case study of a recent pump-and-dump event, investigate 412 pump-and-dump activities organized in Telegram channels from June 17, 2018 to February 26, 2019, and discover patterns in crypto-markets associated with pump-and-dump schemes. We then build a model that predicts the pump likelihood of all coins listed in a crypto-exchange prior to a pump. The model exhibits high precision as well as robustness, and can be used to create a simple, yet very effective trading strategy, which we empirically demonstrate can generate a return as high as 60% on small retail investments within a span of two and half months. The study provides a proof of concept for strategic crypto-trading and sheds light on the application of machine learning for crime detection.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.