コンテンツへスキップ
ライブラリの全資料

暗号資産取引ネットワークのテンソル変化点検出

記事 arXiv papers · 著者: Andreas Anastasiou et al.
原文を読む

サマリー

この論文は、相互に関連する複数の取引ネットワークにおける時間経過に伴う構造変化を検出する手法TenSegを紹介しています。詐欺や市場操作の分析では、活動が複数の暗号資産プラットフォームにまたがる場合があり、単一のネットワークだけを調べても変化を特定しにくいという課題があります。TenSegはテンソル値の観測データを分解し、得られたデータの二次依存構造における複数の変化点を探索します。これらは相互共分散やネットワーク構造の変化に対応します。

著者らは、シミュレーションデータセットとイーサリアムのブロックチェーンネットワークデータで手法を評価しています。実験では他の同時代の変化点検出手法を上回り、検出されたイーサリアムの変化が複数の取引ネットワークにわたる変化と一致したと報告しています。この手法は、規模が小さい可能性のある頻繁な変化を扱うよう設計され、計算が速いと説明されています。提示された説明には実験設計、パフォーマンス指標、これらのデータセット以外での頑健性を評価するための詳細がありません。そのため、報告された優位性は特定のシミュレーションとイーサリアムへの適用例の証拠として読むべきです。

主なアイデア

  • TenSegはまずテンソル値のネットワーク観測データを分解し、その二次依存構造の変化を検出します。
  • 小規模の可能性がある頻繁な変化を含め、複数の変化を特定するよう設計されています。
  • 複数の関連する取引ネットワークを調べることで、複数の暗号資産プラットフォームにまたがる市場操作を特定しやすくなります。
  • この論文では、シミュレーションデータとイーサリアムのブロックチェーンネットワークデータでTenSegを評価しています。
  • 報告結果は有望ですが、説明には評価指標や広範な頑健性テストが示されていません。

タグ

暗号資産オンチェーンデータ統計市場マイクロストラクチャー
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。