Detecção de pump and dump em cripto
Resumo
Este documento descreve um método não supervisionado para identificar possíveis eventos de pump and dump entre tokens negociados na Poloniex. Ele combina limites de preço e volume com médias móveis exponencialmente ponderadas e medidas de volatilidade. Os limites são ajustados aos padrões de negociação observados para que o detector considere ativos com baixa liquidez ou longos períodos de inatividade, nos quais métodos comuns de detecção de anomalias podem interpretar pequenos picos de atividade como eventos relevantes.
O objetivo declarado é separar movimentos substanciais com aparência de coordenação de pequenas flutuações, limitando alarmes falsos. A descrição afirma que a abordagem equilibra detecção e redução de ruído, mas não informa as datas dos dados, o procedimento de calibração dos limites, a precisão ou a revocação medidas, nem resultados de comparação. Portanto, uma detecção deve ser entendida como um sinal de triagem, e não como prova de manipulação. O escopo relatado se limita a uma plataforma de negociação, então a eficácia em outras plataformas ou em diferentes condições de negociação não está estabelecida aqui.
Ideias principais
- O método examina a atividade de preço e volume dos tokens em busca de possíveis eventos de pump and dump.
- Ele combina limites ajustados com médias exponencialmente ponderadas e medidas de volatilidade.
- Os limites são adaptados para considerar tokens com pouca negociação e longos períodos de inatividade.
- O benefício pretendido é reduzir alertas causados por picos de volume insignificantes.
- A descrição não apresenta validação quantitativa nem evidências de que um alerta prove manipulação.
Tags
Texto completo
# Detecting Crypto Pump-and-Dump Schemes: A Thresholding-Based Approach to Handling Market Noise # Detecting Crypto Pump-and-Dump Schemes: A Thresholding-Based Approach to Handling Market Noise We propose a simple yet robust unsupervised model to detect pump-and-dump events on tokens listed on the Poloniex Exchange platform. By combining threshold-based criteria with exponentially weighted moving averages (EWMA) and volatility measures, our approach effectively distinguishes genuine anomalies from minor trading fluctuations, even for tokens with low liquidity and prolonged inactivity. These characteristics present a unique challenge, as standard anomaly-detection methods often over-flag negligible volume spikes. Our framework overcomes this issue by tailoring both price and volume thresholds to the specific trading patterns observed, resulting in a model that balances high true-positive detection with minimal noise.
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.