الگوهای تجربی و پیش‌بینی رویدادهای پامپ و دامپ رمزارز
خلاصه
این پژوهش فعالیت هماهنگ پامپ و دامپ رمزارز را بررسی می‌کند؛ از جمله یک مطالعه موردی و بررسی رویدادهایی که طی دوره‌ای مشخص در کانال‌های تلگرام سازمان‌دهی شده‌اند. الگوهای بازار مرتبط با این طرح‌ها را جست‌وجو می‌کند و مدلی می‌سازد تا احتمال پامپ‌شدن کوین‌های فهرست‌شده را پیش از وقوع رویداد برآورد کند. نویسندگان این کار را هم تحلیل تجربی معاملات دست‌کاری‌شده و هم کاربرد یادگیری ماشین برای شناسایی آن‌ها معرفی می‌کنند.
مقاله گزارش می‌کند که مدل دقت و استحکام بالایی دارد و راهبرد معاملاتی ساده‌ای مبتنی بر پیش‌بینی‌های آن را می‌آزماید. در آزمون تجربی گزارش‌شده، بازده سرمایه‌گذاری‌های کوچک خُرد طی حدود دو ماه‌ونیم تا 60% رسید. این رقم مختص نمونه و چارچوب پژوهش است؛ چکیده هزینه‌های معامله، محدودیت‌های نقدشوندگی، عملکرد تعدیل‌شده برحسب ریسک یا جزئیات اعتبارسنجی خارج از نمونه را شرح نمی‌دهد. بهتر است یافته‌ها اثبات مفهوم تلقی شوند، نه تضمینی بر بازتولید راهبرد یا ایمن‌بودن معامله پیرامون دست‌کاری مشکوک.
ایده‌های کلیدی
- این پژوهش رویدادهای پامپ و دامپ رمزارز را که در کانال‌های تلگرام سازمان‌دهی شده‌اند تحلیل می‌کند.
- الگوهای بازار مرتبط با فعالیت هماهنگ پامپ بررسی می‌شوند.
- یک مدل یادگیری ماشین احتمال پامپ‌شدن کوین فهرست‌شده را برآورد می‌کند.
- نویسندگان گزارش می‌کنند که راهبردی معاملاتی مبتنی بر پیش‌بینی‌های مدل را آزموده‌اند.
- بازده‌های گزارش‌شده به نمونه تاریخی پژوهش مربوط‌اند و عملکرد آینده را اثبات نمی‌کنند.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.