تشخیص نقاط تغییر تنسوری در شبکه‌های معاملاتی ارز دیجیتال

خلاصه

این مقاله TenSeg را معرفی می‌کند؛ روشی برای تشخیص تغییرات ساختاری در گذر زمان و در چندین شبکه تراکنشی مرتبط. این روش به چالشی در تحلیل تقلب و دست‌کاری بازار می‌پردازد: فعالیت ممکن است چندین پلتفرم ارز دیجیتال را دربرگیرد، بنابراین شناسایی تغییر با بررسی تنها یک شبکه دشوار است. TenSeg مشاهدات تانسوری را تجزیه می‌کند و سپس در ساختار وابستگی مرتبه دوم داده‌های حاصل، به دنبال چندین نقطه تغییر می‌گردد؛ این نقاط با تغییرات کوواریانس متقابل یا ساختار شبکه متناظرند.

نویسندگان این رویکرد را روی مجموعه‌داده‌های شبیه‌سازی‌شده و داده‌های شبکه بلاک‌چین اتریوم ارزیابی می‌کنند. آن‌ها گزارش می‌دهند که در آزمایش‌هایشان از روش‌های معاصر دیگر برای تشخیص نقطه تغییر بهتر عمل می‌کند و تغییرات شناسایی‌شده در اتریوم با جابه‌جایی‌ها در چندین شبکه معاملاتی هم‌راستاست. این روش برای رسیدگی به تغییرات پرتکراری طراحی شده است که ممکن است دامنه کمی داشته باشند و از نظر محاسباتی سریع توصیف شده است. توضیح موجود، طراحی آزمایش، سنجه‌های عملکرد یا جزئیات لازم برای ارزیابی استحکام فراتر از آن مجموعه‌داده‌ها را ارائه نمی‌کند؛ بنابراین، برتری گزارش‌شده باید شاهدی از شبیه‌سازی‌های مشخص و کاربرد اتریوم تلقی شود.

ایده‌های کلیدی

• TenSeg ابتدا مشاهدات شبکه‌ای تانسوری را تجزیه می‌کند و سپس تغییرات ساختار وابستگی مرتبه دوم آن‌ها را تشخیص می‌دهد.
• این روش برای یافتن چندین تغییر، از جمله تغییرات پرتکرار با دامنه احتمالاً کم، طراحی شده است.
• بررسی چند شبکه معاملاتی مرتبط می‌تواند به شناسایی دست‌کاریِ گسترده در چندین پلتفرم ارز دیجیتال کمک کند.
• مقاله TenSeg را با داده‌های شبیه‌سازی‌شده و داده‌های شبکه بلاک‌چین اتریوم ارزیابی می‌کند.
• نتایج گزارش‌شده امیدوارکننده‌اند، اما توضیح، سنجه‌های ارزیابی یا آزمون‌های استحکام گسترده‌تر را مشخص نمی‌کند.

برچسب‌ها

# 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.

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.