基于阈值的加密货币拉高出货识别
文章 arXiv papers · 作者: Mahya Karbalaii
总结
本文介绍一种无监督方法，用于识别Poloniex交易代币中疑似拉高出货事件。该方法将价格和成交量阈值与指数加权移动平均值及波动率指标结合起来。阈值根据观测到的交易模式进行调整，因此检测器能够处理流动性较低或长期不活跃的资产；对于这类资产，普通异常检测方法可能会将小幅活动激增误判为有意义的事件。
其目标是在减少误报的同时，将显著的疑似协同走势与小幅波动区分开来。描述称该方法兼顾检测能力和降噪效果，但未提供数据集日期、阈值校准流程、精确率或召回率测量值，也未提供比较结果。因此，检测结果应被理解为筛查信号，而非操纵行为的证据。报告所述范围仅限于一个交易平台，因此本文尚未证明该方法在其他平台或不同交易条件下的有效性。
核心观点
- 该方法筛查代币价格和成交量活动，以识别疑似拉高出货事件。
- 该方法结合了定制阈值、指数加权平均值和波动率指标。
- 阈值经过调整，以适应交易清淡的代币和长期不活跃的情况。
- 该方法旨在减少由无关紧要的成交量激增造成的预警。
- 描述未提供定量验证，也未证明预警结果代表操纵行为。
标签
全文
# 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.
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。