Visuelle Analyse von Manipulationsrisiken im Kryptohandel

Zusammenfassung

ManiScope ist ein visuelles Analysesystem, das Nutzer dabei unterstützen soll, Risiken handelsbasierter Manipulation an Kryptomärkten, einschließlich Wash-Trading, einzuschätzen. Die abgestimmten Ansichten führen die Verteilung des Tokenbesitzes, Beziehungen zwischen Haltern, das Verhalten einzelner Halter, Kursbewegungen und verdächtige Handelsmuster zusammen. Ziel ist es, Analysten dabei zu helfen, Belege zu verknüpfen, die sich mit isolierten Regeln oder manueller Prüfung nur schwer bewerten lassen.

Das System nutzt außerdem einen kollaborativen Ansatz zwischen Menschen und LLM: Der LLM leitet aus Nutzerinteraktionen die analytische Absicht und entstehende Hypothesen ab und stellt anschließend relevante visuelle, statistische und zusammengeführte Belege zur Bewertung bereit. Das Dokument berichtet über zwei Fallstudien und eine Nutzerstudie mit 12 erfahrenen Fachleuten aus dem Kryptowährungsbereich. Diese Bewertungen legen nahe, dass das System die Risikobewertung unterstützen und den Aufwand für das Sammeln von Belegen verringern kann. Die verfügbare Beschreibung nennt keine Erkennungsgenauigkeit, Falsch-Positiv-Raten oder Ergebnisse für größere Nutzergruppen und belegt daher nicht, dass das System Manipulation zuverlässig selbstständig erkennen kann.

Kernaussagen

• Die Bewertung von Manipulationsrisiken kann erfordern, Halterstruktur, Verhalten, Kursdynamik und Handelsmuster miteinander zu verknüpfen.
• Abgestimmte visuelle Ansichten helfen Analysten, diese Belegarten gemeinsam zu untersuchen.
• Ein LLM kann Nutzerhypothesen aus dem Interaktionskontext ableiten und relevante Belege anzeigen.
• Die Evaluation umfasst zwei Fallstudien und eine Nutzerstudie mit Fachleuten, doch die Beschreibung enthält keine Genauigkeitskennzahlen.

Schlagwörter

# ManiScope: LLM-Assisted Visual Analytics of Cryptocurrency Manipulation Risk


# ManiScope: LLM-Assisted Visual Analytics of Cryptocurrency Manipulation Risk









Cryptocurrency markets are vulnerable to trade-based manipulation, such as wash trading, which can distort price signals and mislead investors. Prior research has mainly focused on detecting manipulation using fixed rules or labeled examples, offering limited flexibility and interpretability for assessing potential risks. Existing visual analytics tools can reveal basic manipulation-related signals, such as token distribution, but still require substantial manual effort to integrate holder relationships, suspicious behaviors, and market dynamics for risk assessment. To address these limitations, we propose ManiScope, an LLM-assisted visual analytics system for analyzing trade-based manipulation risks in cryptocurrency markets. ManiScope provides coordinated views of token distributions, holder relationships, detailed holder behaviors, price dynamics, and suspicious trading patterns. To further enhance user analysis, ManiScope introduces a human-LLM collaborative visual analytics framework. Rather than acting as a basic reactive LLM assistant, the framework positions the LLM as a co-analyst that infers users' analytical intent and emerging hypotheses from interaction context and surfaces relevant visual, statistical, and synthesized evidence for hypothesis evaluation. This design reduces repetitive inspection and strengthens evidence-based reasoning. We evaluate ManiScope through two case studies and a user study with 12 experienced cryptocurrency practitioners. The results suggest that ManiScope supports effective risk assessment of manipulation, reduces manual effort in evidence-seeking, and organizes findings around user hypotheses.

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.