क्रिप्टो ट्रेडिंग नेटवर्क में टेन्सर परिवर्तन-बिंदु पहचान
सारांश
यह शोध TenSeg प्रस्तुत करता है, जो कई संबंधित लेन-देन नेटवर्कों में समय के साथ संरचनात्मक बदलाव पहचानने की विधि है। यह धोखाधड़ी और बाज़ार हेरफेर विश्लेषण की एक चुनौती पर केंद्रित है: गतिविधि कई क्रिप्टोकरेंसी प्लेटफ़ॉर्मों पर फैली हो सकती है, इसलिए केवल एक नेटवर्क का अध्ययन करके बदलाव पहचानना कठिन हो सकता है। TenSeg टेन्सर-मूल्य वाले अवलोकनों का विघटन करता है, फिर परिणामी डेटा की द्वितीय-क्रम निर्भरता संरचना में अनेक परिवर्तन-बिंदु खोजता है, जो क्रॉस-कोवेरियंस या नेटवर्क संरचना में बदलाव दर्शाते हैं।
लेखक सिम्युलेटेड डेटासेट और Ethereum ब्लॉकचेन नेटवर्क डेटा पर इस विधि का मूल्यांकन करते हैं। वे बताते हैं कि प्रयोगों में इसने अन्य समकालीन परिवर्तन-बिंदु विधियों से बेहतर प्रदर्शन किया और Ethereum में पहचाने गए बदलाव कई ट्रेडिंग नेटवर्कों में आए परिवर्तनों से मेल खाते हैं। यह विधि बार-बार होने वाले, संभवतः कम परिमाण वाले बदलावों को सँभालने के लिए बनाई गई है और इसे संगणकीय रूप से तेज़ बताया गया है। उपलब्ध विवरण में प्रयोग डिज़ाइन, प्रदर्शन माप या इन डेटासेट से आगे मज़बूती परखने के लिए आवश्यक जानकारी नहीं है; इसलिए बताया गया लाभ विशिष्ट सिमुलेशन और Ethereum अनुप्रयोग के साक्ष्य के रूप में ही समझें।
मुख्य विचार
- TenSeg पहले टेन्सर-मूल्य वाले नेटवर्क अवलोकनों का विघटन करता है, फिर उनकी द्वितीय-क्रम निर्भरता संरचना में बदलाव पहचानता है।
- यह विधि अनेक बदलावों का पता लगाने के लिए बनाई गई है, जिनमें बार-बार होने वाले और संभवतः कम परिमाण के बदलाव शामिल हैं।
- कई जुड़े ट्रेडिंग नेटवर्कों का अध्ययन उन हेरफेरों की पहचान में मदद कर सकता है जो अनेक क्रिप्टोकरेंसी प्लेटफ़ॉर्मों तक फैले हों।
- शोध में TenSeg का मूल्यांकन सिम्युलेटेड डेटा और Ethereum ब्लॉकचेन नेटवर्क डेटा पर किया गया है।
- रिपोर्ट किए गए परिणाम आशाजनक हैं, लेकिन विवरण में मूल्यांकन माप या व्यापक मज़बूती परीक्षण निर्दिष्ट नहीं हैं।
टैग
पूरा पाठ
# 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.स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।