跳至正文
返回文库全部文档

加密货币拉高出货事件的实证模式与预测

文章 arXiv papers · 作者: Jiahua Xu et al.
阅读原文

总结

本研究考察协同进行的加密货币拉高出货活动，包括一项案例研究，以及对特定时期内通过 Telegram 频道组织的事件进行调查。研究寻找与这些操作相关的市场模式，并建立模型，估计事件发生前哪些上市代币可能被拉高。作者将这项工作定位为对市场操纵交易的实证分析，以及机器学习在检测中的应用。

论文报告称，该模型具有较高的精确率和稳健性，并测试了基于其预测的简单交易策略。报告的实证测试发现，在约两个半月内，小额散户投资的回报最高可达 60%。这一数字仅适用于该研究的样本和设定；摘要未说明交易成本、流动性约束、风险调整后表现或样本外验证细节。最好将这些发现视为概念验证，而非策略可复现或围绕疑似操纵交易安全的保证。

核心观点

  • 研究分析了通过 Telegram 频道组织的加密货币拉高出货事件。
  • 研究考察了与协同拉高活动相关的市场模式。
  • 机器学习模型估计某个上市代币被拉高的可能性。
  • 作者报告称，他们测试了基于模型预测的交易策略。
  • 报告的回报与研究的历史样本相关，不能证明未来表现。

标签

加密资产机器学习事件驱动回测市场微观结构
全文
# The Anatomy of a Cryptocurrency Pump-and-Dump Scheme


# The Anatomy of a Cryptocurrency Pump-and-Dump Scheme









While pump-and-dump schemes have attracted the attention of cryptocurrency observers and regulators alike, this paper represents the first detailed empirical query of pump-and-dump activities in cryptocurrency markets. We present a case study of a recent pump-and-dump event, investigate 412 pump-and-dump activities organized in Telegram channels from June 17, 2018 to February 26, 2019, and discover patterns in crypto-markets associated with pump-and-dump schemes. We then build a model that predicts the pump likelihood of all coins listed in a crypto-exchange prior to a pump. The model exhibits high precision as well as robustness, and can be used to create a simple, yet very effective trading strategy, which we empirically demonstrate can generate a return as high as 60% on small retail investments within a span of two and half months. The study provides a proof of concept for strategic crypto-trading and sheds light on the application of machine learning for crime detection.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。