Phát hiện pump-and-dump tiền mã hóa bằng ngưỡng

Tóm tắt

Tài liệu mô tả một phương pháp không giám sát để nhận diện các sự kiện pump-and-dump bị nghi ngờ ở token giao dịch trên Poloniex. Phương pháp kết hợp ngưỡng giá và khối lượng với trung bình động có trọng số hàm mũ cùng các thước đo biến động. Các ngưỡng được điều chỉnh theo mẫu hình giao dịch quan sát được để bộ phát hiện tính đến tài sản thanh khoản thấp hoặc thời gian dài không hoạt động, khi các phương pháp phát hiện bất thường thông thường có thể xem những đợt hoạt động nhỏ là sự kiện đáng kể.

Mục tiêu được nêu là phân biệt các biến động lớn có vẻ phối hợp với dao động nhỏ, đồng thời hạn chế cảnh báo sai. Mô tả cho rằng phương pháp cân bằng khả năng phát hiện và giảm nhiễu, nhưng không cung cấp ngày tháng của bộ dữ liệu, quy trình hiệu chỉnh ngưỡng, độ chính xác hay độ bao phủ đo được, hoặc kết quả so sánh. Vì vậy, nên hiểu một phát hiện là tín hiệu sàng lọc chứ không phải bằng chứng thao túng. Phạm vi được báo cáo chỉ gồm một nền tảng giao dịch, nên hiệu quả trên các sàn khác hoặc trong điều kiện giao dịch khác chưa được xác lập.

Ý chính

• Phương pháp sàng lọc hoạt động giá và khối lượng token để tìm sự kiện pump-and-dump bị nghi ngờ.
• Phương pháp kết hợp ngưỡng điều chỉnh riêng với trung bình có trọng số hàm mũ và thước đo biến động.
• Ngưỡng được điều chỉnh để tính đến token giao dịch thưa và thời gian dài không hoạt động.
• Lợi ích dự kiến là giảm cảnh báo do các đợt tăng khối lượng không đáng kể.
• Mô tả không cung cấp kiểm chứng định lượng hoặc bằng chứng rằng cảnh báo xác nhận có thao túng.

Thẻ

# 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.

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.