Détection de ruptures dans les réseaux de trading de cryptomonnaies

Résumé

L’article présente TenSeg, une méthode de détection des changements structurels au fil du temps dans plusieurs réseaux de transactions liés. Il aborde une difficulté de l’analyse de la fraude et de la manipulation de marché : l’activité peut s’étendre sur plusieurs plateformes de cryptomonnaies, de sorte qu’un changement peut être difficile à repérer en étudiant un seul réseau. TenSeg décompose des observations sous forme de tenseurs, puis recherche plusieurs points de rupture dans la structure de dépendance d’ordre deux des données obtenues, correspondant à des changements de covariance croisée ou de structure du réseau.

Les auteurs évaluent l’approche sur des jeux de données simulés et des données de réseaux de la blockchain Ethereum. Ils rapportent qu’elle surpasse d’autres méthodes contemporaines de détection de ruptures dans leurs expériences et que les changements détectés sur Ethereum coïncident avec des évolutions dans plusieurs réseaux de trading. La méthode vise à traiter des changements fréquents, parfois de faible ampleur, et est décrite comme rapide sur le plan du calcul. La description disponible ne fournit ni protocole expérimental, ni mesures de performance, ni détails permettant d’évaluer la robustesse au-delà de ces jeux de données ; l’avantage rapporté doit donc être compris comme un résultat des simulations précises et de l’application à Ethereum.

Idées clés

• TenSeg décompose d’abord les observations de réseaux sous forme de tenseurs, puis détecte les changements de leur structure de dépendance d’ordre deux.
• La méthode vise à repérer plusieurs changements, y compris des changements fréquents potentiellement faibles.
• L’étude de plusieurs réseaux de trading connectés peut aider à repérer une manipulation qui s’étend sur plusieurs plateformes de cryptomonnaies.
• L’article évalue TenSeg sur des données simulées et des réseaux de la blockchain Ethereum.
• Les résultats rapportés sont prometteurs, mais la description ne précise ni les mesures d’évaluation ni les tests de robustesse plus larges.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.