Analyse visuelle des risques de manipulation des transactions en cryptomonnaies

Résumé

ManiScope est un système d’analyse visuelle conçu pour aider les utilisateurs à évaluer les risques de manipulation fondée sur les transactions sur les marchés de cryptomonnaies, notamment le wash trading. Ses vues coordonnées réunissent la répartition de la détention des jetons, les relations entre détenteurs, le comportement de chaque détenteur, les mouvements de prix et les schémas de transaction suspects. L’objectif est d’aider les analystes à relier des éléments difficiles à évaluer au moyen de règles isolées ou d’un examen manuel.

Le système adopte également une approche collaborative entre humains et LLM : le LLM déduit l’intention d’analyse et les hypothèses en cours d’élaboration à partir des interactions de l’utilisateur, puis met en évidence des éléments visuels, statistiques et synthétisés pertinents pour l’évaluation. Le document rapporte deux études de cas et une étude auprès de 12 professionnels expérimentés des cryptomonnaies. Ces évaluations suggèrent que le système peut faciliter l’évaluation des risques et réduire le temps consacré à la collecte des éléments. La description disponible ne précise ni la précision de détection, ni le taux de faux positifs, ni les performances auprès d’un éventail plus large d’utilisateurs ; elle ne démontre donc pas que le système peut identifier seul et de manière fiable les manipulations.

Idées clés

• Évaluer les risques de manipulation peut nécessiter de relier la structure des détenteurs, leurs comportements, la dynamique des prix et les schémas de transaction.
• Des vues visuelles coordonnées aident les analystes à examiner conjointement ces différents types d’éléments.
• Un LLM peut déduire les hypothèses de l’utilisateur à partir du contexte des interactions et mettre en évidence les éléments pertinents.
• L’évaluation comprend deux études de cas et une étude auprès de professionnels, mais la description ne fournit aucune mesure de précision.

Étiquettes

# 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.

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.