Phát hiện điểm thay đổi trên mạng giao dịch tiền mã hóa bằng tensor

Tóm tắt

Bài nghiên cứu giới thiệu TenSeg, một phương pháp phát hiện thay đổi cấu trúc theo thời gian trên nhiều mạng giao dịch có liên quan. Nghiên cứu giải quyết một thách thức trong phân tích gian lận và thao túng thị trường: hoạt động có thể diễn ra trên nhiều nền tảng tiền mã hóa, nên việc chỉ nghiên cứu một mạng có thể khiến khó nhận diện sự dịch chuyển. TenSeg phân rã các quan sát dạng tensor, sau đó tìm nhiều điểm thay đổi trong cấu trúc phụ thuộc bậc hai của dữ liệu thu được, tương ứng với những thay đổi về hiệp phương sai chéo hoặc cấu trúc mạng.

Các tác giả đánh giá phương pháp trên bộ dữ liệu mô phỏng và dữ liệu mạng blockchain Ethereum. Họ báo cáo rằng phương pháp vượt trội hơn các phương pháp phát hiện điểm thay đổi hiện đại khác trong thử nghiệm, đồng thời các thay đổi được phát hiện trên Ethereum trùng khớp với những dịch chuyển trên nhiều mạng giao dịch. Phương pháp được thiết kế để xử lý các thay đổi thường xuyên có thể có biên độ nhỏ và được mô tả là có tốc độ tính toán nhanh. Phần mô tả hiện có không nêu thiết kế thử nghiệm, thước đo hiệu suất hay chi tiết cần thiết để đánh giá độ vững ngoài các bộ dữ liệu đó, nên lợi thế được báo cáo cần được hiểu là bằng chứng từ các mô phỏng cụ thể và ứng dụng Ethereum.

Ý chính

• TenSeg trước tiên phân rã các quan sát mạng dạng tensor, sau đó phát hiện thay đổi trong cấu trúc phụ thuộc bậc hai.
• Phương pháp được thiết kế để xác định nhiều thay đổi, kể cả các thay đổi thường xuyên có biên độ tiềm năng nhỏ.
• Nghiên cứu nhiều mạng giao dịch có kết nối có thể giúp nhận diện hành vi thao túng trải rộng trên nhiều nền tảng tiền mã hóa.
• Bài nghiên cứu đánh giá TenSeg trên dữ liệu mô phỏng và dữ liệu mạng blockchain Ethereum.
• Kết quả được báo cáo có triển vọng, nhưng phần mô tả không nêu chỉ số đánh giá hay kiểm định độ vững rộng hơn.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.