Tensorbasierte Wendepunkterkennung in Krypto-Handelsnetzwerken

Zusammenfassung

Die Studie stellt TenSeg vor, eine Methode zur Erkennung struktureller Veränderungen im Zeitverlauf über mehrere zusammenhängende Transaktionsnetzwerke hinweg. Sie behandelt eine Herausforderung bei der Analyse von Betrug und Marktmanipulation: Aktivitäten können sich über mehrere Kryptoplattformen erstrecken, sodass Veränderungen schwer zu erkennen sind, wenn nur ein Netzwerk betrachtet wird. TenSeg zerlegt tensorwertige Beobachtungen und sucht anschließend in der resultierenden Datenstruktur nach mehreren Wendepunkten in den Abhängigkeiten zweiter Ordnung. Diese entsprechen Veränderungen der Kreuzkovarianz oder der Netzwerkstruktur.

Die Autoren bewerten den Ansatz anhand simulierter Datensätze und Daten aus dem Ethereum-Blockchain-Netzwerk. Ihren Angaben zufolge übertrifft er in den Experimenten andere zeitgenössische Wendepunktmethoden; außerdem stimmen die erkannten Veränderungen bei Ethereum mit Verschiebungen in mehreren Handelsnetzwerken überein. Die Methode soll häufige, möglicherweise geringe Veränderungen erfassen und wird als rechnerisch schnell beschrieben. Die verfügbare Beschreibung nennt weder das Versuchsdesign und die Leistungskennzahlen noch Einzelheiten, die eine Beurteilung der Robustheit jenseits dieser Datensätze ermöglichen. Der berichtete Vorteil ist daher als Evidenz aus den konkreten Simulationen und der Ethereum-Anwendung zu verstehen.

Kernaussagen

• TenSeg zerlegt zunächst tensorwertige Netzwerkbeobachtungen und erkennt anschließend Veränderungen ihrer Abhängigkeitsstruktur zweiter Ordnung.
• Die Methode soll mehrere Veränderungen erkennen, auch häufige Veränderungen mit möglicherweise geringer Ausprägung.
• Die Untersuchung mehrerer verbundener Handelsnetzwerke kann Manipulationen sichtbar machen, die sich über mehrere Kryptoplattformen erstrecken.
• Die Studie bewertet TenSeg anhand simulierter Daten und Daten aus dem Ethereum-Blockchain-Netzwerk.
• Die berichteten Ergebnisse sind vielversprechend, aber die Beschreibung nennt keine Bewertungskennzahlen oder umfassenderen Robustheitstests.

Schlagwörter

# Tensor time series change-point detection in cryptocurrency network data


# Tensor time series change-point detection in cryptocurrency network data









Financial fraud has been growing exponentially in recent years. The rise of cryptocurrencies as an investment asset has simultaneously seen a parallel growth in cryptocurrency scams. To detect possible cryptocurrency fraud, and in particular market manipulation, previous research focused on the detection of changes in the network of trades; however, market manipulators are now trading across multiple cryptocurrency platforms, making their detection more difficult. Hence, it is important to consider the identification of changes across several trading networks or a `network of networks' over time. To this end, in this article, we propose a new change-point detection method in the network structure of tensor-variate data. This new method, labeled TenSeg, first employs a tensor decomposition, and second detects multiple change-points in the second-order (cross-covariance or network) structure of the decomposed data. It allows for change-point detection in the presence of frequent changes of possibly small magnitudes and is computationally fast. We apply our method to several simulated datasets and to a cryptocurrency dataset, which consists of network tensor-variate data from the Ethereum blockchain. We demonstrate that our approach substantially outperforms other state-of-the-art change-point techniques, and the detected change-points in the Ethereum data set coincide with changes across several trading networks or a `network of networks' over time. Finally, all the relevant \textsf{R} code implementing the method in the article are available on https://github.com/Anastasiou-Andreas/TenSeg.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.