Обнаружение точек структурных изменений в сетях криптовалютных сделок

Сводка

В статье представлен TenSeg — метод обнаружения структурных изменений во времени в нескольких связанных сетях транзакций. Он предназначен для анализа мошенничества и манипулирования рынком: активность может охватывать несколько криптовалютных платформ, поэтому изменение сложно выявить, изучая только одну сеть. TenSeg раскладывает тензорные наблюдения, а затем ищет несколько точек изменения в структуре зависимостей второго порядка полученных данных, соответствующих изменениям перекрёстной ковариации или структуры сети.

Авторы оценивают подход на симулированных наборах данных и данных сети блокчейна Ethereum. По их сообщениям, в экспериментах он превосходит другие современные методы поиска точек изменения, а обнаруженные изменения в Ethereum совпадают со сдвигами в нескольких торговых сетях. Метод рассчитан на частые изменения, которые могут быть небольшими по величине, и описывается как быстрый с вычислительной точки зрения. В доступном описании нет схемы эксперимента, показателей эффективности или подробностей, нужных для оценки устойчивости за пределами этих наборов данных; поэтому заявленное преимущество следует понимать как результат конкретных симуляций и применения к Ethereum.

Ключевые идеи

• TenSeg сначала раскладывает тензорные наблюдения сети, а затем выявляет изменения в структуре их зависимостей второго порядка.
• Метод предназначен для обнаружения нескольких изменений, в том числе частых изменений, потенциально малых по величине.
• Изучение нескольких связанных торговых сетей может помочь выявить манипуляции, охватывающие несколько криптовалютных платформ.
• В статье TenSeg оценивается на симулированных данных и данных сети блокчейна Ethereum.
• Результаты выглядят многообещающе, но в описании не указаны метрики оценки или более широкие проверки устойчивости.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.