Detección de puntos de cambio en redes de trading de criptomonedas

Resumen

El artículo presenta TenSeg, un método para detectar cambios estructurales a lo largo del tiempo en varias redes de transacciones relacionadas. Aborda un desafío del análisis del fraude y la manipulación de mercado: la actividad puede abarcar varias plataformas de criptomonedas, por lo que un cambio puede ser difícil de detectar si se estudia una sola red. TenSeg descompone observaciones con valores tensoriales y luego busca múltiples puntos de cambio en la estructura de dependencia de segundo orden de los datos resultantes, correspondientes a cambios en la covarianza cruzada o en la estructura de la red.

Los autores evalúan el enfoque con conjuntos de datos simulados y datos de redes de la cadena de bloques de Ethereum. Afirman que en sus experimentos supera otros métodos contemporáneos de detección de puntos de cambio y que los cambios detectados en Ethereum coinciden con variaciones en varias redes de trading. El método está diseñado para gestionar cambios frecuentes que pueden ser de pequeña magnitud y se describe como rápido desde el punto de vista computacional. La descripción disponible no aporta el diseño experimental, las medidas de rendimiento ni los detalles necesarios para evaluar la robustez más allá de esos conjuntos de datos; por tanto, la ventaja presentada debe entenderse como evidencia de las simulaciones concretas y de la aplicación a Ethereum.

Ideas clave

• TenSeg descompone primero las observaciones tensoriales de la red y luego detecta cambios en su estructura de dependencia de segundo orden.
• El método está diseñado para localizar varios cambios, incluidos cambios frecuentes que pueden tener poca magnitud.
• Estudiar varias redes de trading conectadas puede ayudar a identificar manipulaciones que abarcan distintas plataformas de criptomonedas.
• El artículo evalúa TenSeg con datos simulados y datos de redes de la cadena de bloques de Ethereum.
• Los resultados presentados son prometedores, pero la descripción no especifica las métricas de evaluación ni pruebas de robustez más amplias.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.