コンテンツへスキップ
ライブラリの全資料

暗号資産の取引操作リスクを評価するビジュアル分析

記事 arXiv papers · 著者: Xiaolin Wen et al.
原文を読む

サマリー

ManiScopeは、ウォッシュトレードを含む暗号資産市場の取引ベースの操作リスクを評価するためのビジュアル分析システムです。トークンの保有分布、保有者間の関係、個々の保有者の行動、価格変動、不審な取引パターンを連携した画面で示します。個別のルールや手作業による確認では評価しにくい証拠を、分析者が関連付けられるようにすることを目指しています。

このシステムは、人間とLLMが協働する方式も採用しています。LLMはユーザーの操作から分析意図や形成中の仮説を推定し、評価に関連する視覚・統計・統合情報を提示します。文書では2つの事例研究と、暗号資産の実務経験者12名を対象としたユーザー調査を報告しています。これらの評価は、システムがリスク評価を支援し、証拠収集の労力を減らせる可能性を示しています。説明には検出精度、誤検出率、より広いユーザー集団での性能が示されていないため、システム単独で操作を確実に特定できるとは確認できません。

主なアイデア

  • 操作リスクの評価には、保有者構造、行動、価格動向、取引パターンを関連付ける必要があります。
  • 連携したビジュアル画面により、分析者はこれらの証拠をまとめて調べられます。
  • LLMは操作状況からユーザーの仮説を推定し、関連する証拠を提示できます。
  • 評価には2つの事例研究と実務者へのユーザー調査が含まれますが、説明に精度指標はありません。

タグ

暗号資産市場マイクロストラクチャー機械学習オンチェーンデータリスク管理
全文
# 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.

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。