کرپٹو ٹریڈنگ نیٹ ورکس میں ٹینسر تبدیلی نقطوں کی شناخت

مضمون arXiv papers · مصنف: Andreas Anastasiou et al.

خلاصہ

یہ مقالہ متعدد متعلقہ لین دین نیٹ ورکس میں وقت کے ساتھ ساختی تبدیلیاں شناخت کرنے کا TenSeg طریقہ پیش کرتا ہے۔ یہ دھوکا دہی اور مارکیٹ میں ہیرا پھیری کے تجزیے کے ایک مسئلے سے نمٹتا ہے: سرگرمی کئی کرپٹو کرنسی پلیٹ فارمز تک پھیل سکتی ہے، اس لیے صرف ایک نیٹ ورک دیکھ کر تبدیلی شناخت کرنا مشکل ہو سکتا ہے۔ TenSeg ٹینسر قدر والے مشاہدات کو اجزا میں تقسیم کرتا ہے، پھر حاصل شدہ ڈیٹا کے دوسرے درجے کے انحصاری ڈھانچے میں متعدد تبدیلی نقطے تلاش کرتا ہے، جو باہمی کوواریئنس یا نیٹ ورک کی ساخت میں تبدیلیوں سے مطابقت رکھتے ہیں۔

مصنفین اس طریقے کو مصنوعی ڈیٹاسیٹس اور Ethereum بلاک چین نیٹ ورک کے ڈیٹا پر جانچتے ہیں۔ ان کے مطابق تجربات میں یہ دورِ حاضر کے دوسرے تبدیلی نقطہ طریقوں سے بہتر ہے، اور Ethereum میں شناخت شدہ تبدیلیاں متعدد ٹریڈنگ نیٹ ورکس میں تبدیلیوں سے ہم آہنگ ہیں۔ یہ طریقہ ایسی بار بار ہونے والی تبدیلیوں سے نمٹنے کے لیے بنایا گیا ہے جن کی مقدار کم ہو سکتی ہے، اور اسے حسابی طور پر تیز بتایا گیا ہے۔ دستیاب تفصیل میں تجرباتی ڈیزائن، کارکردگی کے پیمانے یا ان ڈیٹاسیٹس سے آگے مضبوطی جانچنے کے لیے ضروری معلومات نہیں، اس لیے رپورٹ کردہ برتری کو مخصوص سمیولیشنز اور Ethereum کے اطلاق کے شواہد کے طور پر سمجھیں۔

اہم خیالات

TenSeg پہلے ٹینسر قدر والے نیٹ ورک مشاہدات کو اجزا میں تقسیم کرتا ہے، پھر ان کے دوسرے درجے کے انحصاری ڈھانچے میں تبدیلیاں شناخت کرتا ہے۔
یہ طریقہ متعدد تبدیلیاں ڈھونڈنے کے لیے بنایا گیا ہے، جن میں ممکنہ طور پر کم مقدار کی بار بار تبدیلیاں بھی شامل ہیں۔
متعدد منسلک ٹریڈنگ نیٹ ورکس کا مطالعہ کئی کرپٹو پلیٹ فارمز پر پھیلی ہیرا پھیری شناخت کرنے میں مدد دے سکتا ہے۔
مقالہ TenSeg کو مصنوعی ڈیٹا اور Ethereum بلاک چین نیٹ ورک کے ڈیٹا پر جانچتا ہے۔
رپورٹ کردہ نتائج حوصلہ افزا ہیں، مگر تفصیل میں جائزے کے پیمانے یا وسیع تر مضبوطی کی آزمائشیں نہیں دی گئیں۔

ٹیگز

کرپٹو آن چین ڈیٹا شماریات مارکیٹ مائیکرو اسٹرکچر

مکمل متن

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔