Визуальная аналитика рисков манипуляций на крипторынке

Сводка

ManiScope — система визуальной аналитики, предназначенная для оценки рисков манипуляций на криптовалютных рынках, связанных с торговлей, включая фиктивную торговлю. Её согласованные представления объединяют распределение владения токенами, связи между держателями, поведение отдельных держателей, динамику цен и подозрительные торговые паттерны. Цель — помочь аналитикам связать свидетельства, которые трудно оценить с помощью отдельных правил или ручной проверки.

Система также использует совместный подход человека и LLM: LLM определяет аналитические намерения и формирующиеся гипотезы на основе взаимодействий с пользователем, а затем представляет релевантные визуальные, статистические и синтезированные свидетельства для оценки. В документе описаны два примера и исследование пользователей с участием 12 опытных специалистов по криптовалютам. Эти оценки показывают, что система может помогать оценивать риски и сокращать усилия по сбору свидетельств. В доступном описании не указаны точность обнаружения, частота ложноположительных результатов или эффективность для более широких групп пользователей, поэтому оно не подтверждает, что система способна самостоятельно надёжно выявлять манипуляции.

Ключевые идеи

• Для оценки риска манипуляций может потребоваться связать структуру держателей, их поведение, динамику цен и торговые паттерны.
• Согласованные визуальные представления помогают аналитикам изучать эти типы свидетельств вместе.
• LLM может выводить гипотезы пользователя из контекста взаимодействия и показывать релевантные свидетельства.
• Оценка включает два примера и исследование пользователей-практиков, однако описание не содержит метрик точности.

Теги

# 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.

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.