Detecção tensorial de pontos de mudança em redes de negociação de criptomoedas

Resumo

O artigo apresenta o TenSeg, um método para detectar mudanças estruturais ao longo do tempo em várias redes de transações relacionadas. Ele aborda um desafio da análise de fraude e manipulação de mercado: a atividade pode ocorrer em várias plataformas de criptomoedas, tornando difícil identificar uma mudança ao estudar uma única rede. O TenSeg decompõe observações com valores tensoriais e, em seguida, procura vários pontos de mudança na estrutura de dependência de segunda ordem dos dados resultantes, correspondentes a mudanças na covariância cruzada ou na estrutura da rede.

Os autores avaliam a abordagem em conjuntos de dados simulados e dados de redes da blockchain Ethereum. Relatam que, nos experimentos, ela supera outros métodos contemporâneos de detecção de pontos de mudança e que as mudanças detectadas no Ethereum coincidem com alterações em várias redes de trading. O método foi concebido para lidar com mudanças frequentes que podem ter pequena magnitude e é descrito como computacionalmente rápido. A descrição disponível não informa o desenho experimental, as medidas de desempenho ou os detalhes necessários para avaliar a robustez além desses conjuntos de dados; portanto, a vantagem relatada deve ser entendida como evidência das simulações específicas e da aplicação ao Ethereum.

Ideias principais

• O TenSeg primeiro decompõe observações de rede com valores tensoriais e, depois, detecta mudanças na estrutura de dependência de segunda ordem.
• O método foi concebido para localizar várias mudanças, inclusive mudanças frequentes de magnitude potencialmente pequena.
• Estudar várias redes de trading conectadas pode ajudar a identificar manipulações que abrangem várias plataformas de criptomoedas.
• O artigo avalia o TenSeg com dados simulados e dados de redes da blockchain Ethereum.
• Os resultados relatados são promissores, mas a descrição não especifica métricas de avaliação nem testes de robustez mais amplos.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.