Kriptovalyuta bazarlarında pump-and-dump manipulyasiyası müəyyən tokenın qısa müddətdə süni maraqla şişirdilməsi və sonra qiymət yüksəldikdə satış təzyiqi ilə investorların zərərə uğradılması üzərində qurulan bazar sui-istifadəsi növüdür. Bu hadisələrdə çox vaxt ani həcm artımı, əməliyyat sayında sıçrayış, qısamüddətli qiymət hərəkəti və bəzən birdən çox token arasında eyni vaxtlı davranış müşahidə oluna bilər.

Bu tədqiqat yalnız bir tokenın keçmiş verilənlərini araşdıran klassik maşın öyrənməsi üsulları əvəzinə tokenlar arasında çıxarılan əlaqələrdən istifadə edən spatio-temporal Graph Neural Network yəni məkan-zaman qraf sinir şəbəkəsi yanaşmasını təklif edir. Model saatlıq OHLCV verilənləri, əməliyyat sayı və törədilmiş bazar göstəriciləri ilə işləyir. Transaction-level verilən və ya əmr kitabı veriləni olmasa belə, tokenlar arasındakı əlaqələr qiymət, həcm və ya əməliyyat sayı korrelyasiyalarından, yaxud modelin öyrəndiyi gizli asılılıqlardan çıxarılır.

Məqalənin əsas nəticəsi qraf əsaslı modellərin Random Forest və XGBoost kimi klassik qərar ağacı əsaslı üsullardan daha yaxşı pump-and-dump aşkarlaması edə bilməsidir. Ən yaxşı performans bağlantı matrisini sabit qaydalarla deyil, təlim zamanı öyrənən self-adaptive graph yanaşması ilə əldə edilir.

Problem Nədir?

Maliyyə bazarı manipulyasiyası aktiv qiymətlərinin real tələb-təklif məlumatını əks etdirməyəcək şəkildə süni olaraq yönləndirilməsidir. Kripto bazarlarında bu risk daha görünən hala gələ bilər; çünki likvidlik parçalanmışdır, bəzi tokenlarda əməliyyat dərinliyi aşağıdır və nəzarət mexanizmləri ənənəvi bazarlarla müqayisədə daha məhdud ola bilər.

Pump-and-dump kampaniyalarında koordinasiya adətən qapalı mesajlaşma qruplarında və ya icma kanallarında aparıla bilər. Müəyyən saat ətrafında çox sayda şəxs eyni tokenı alır, əməliyyat sayı və həcm sürətlə artır, qiymət qısamüddətli sıçrayış edir və daha sonra erkən daxil olanlar satış edərək bazardan çıxırlar. Bu proses tokenın saatlıq bazar verilənlərində iz buraxa bilər.

Lakin praktikada əksər verilən mənbələri yalnız token səviyyəsində aqreqasiya edilmiş OHLCV verilənləri, əməliyyat sayı və bəzi törədilmiş göstəricilər təqdim edir. Yəni tədqiqatçının əlində hər zaman cüzdanlararası transfer şəbəkəsi və ya əmr kitabı dərinliyi olmur. Bu halda vacib sual budur: Yalnız aqreqat bazar verilənləri ilə tokenlar arasında mənalı əlaqə qrafı qurmaq mümkündürmü və bu qraf pump-and-dump aşkarlamasını yaxşılaşdırırmı?

Metod Nə Təklif Edir?

Tədqiqat hər tokenı qrafda bir düyün kimi nəzərdən keçirir. Tokenlar arasındakı kənarlar isə birbaşa müşahidə olunan əməliyyat əlaqələrindən deyil, aqreqat bazar verilənlərindən çıxarılır. Beləliklə transaction-level verilən olmasa belə, tokenlar arasında ortaq hərəkət, oxşar həcm davranışı və ya model tərəfindən öyrənilən gizli əlaqə quruluşundan istifadə edilə bilir.

Məqalə üç fərqli qraf çıxarma üsulu təklif edir:

1. Statik korrelyasiya qrafı: Təlim dövründə tokenların həcm və ya əməliyyat sayı kimi skalyar sırası üzərindən korrelyasiya matrisi hesablanır. Ən güclü korrelyasiyalar kənar kimi saxlanır və eyni qraf bütün zamanlarda istifadə olunur.

2. Hadisə yönümlü dinamik korrelyasiya qrafı: Təlim dövründəki pump hadisələri ətrafında qısa zaman pəncərələri açılır. Bu pəncərələrdə korrelyasiya quruluşu yenilənir. Məqsəd manipulyasiya hadisələri ətrafında dəyişən token əlaqələrini daha yaxşı tutmaqdır.

3. Self-adaptive graph: Bağlantı quruluşu əvvəlcədən korrelyasiya ilə sabitlənmir. Model düyün embedding-lərindən gizli adjacency matrisi öyrənir. Bu yanaşma korrelyasiya ilə açıq şəkildə tutula bilməyən əlaqələri də modelin kəşf etməsinə imkan verir.

Bu üç qraf üsulu eyni məkan-zaman GNN arxitekturası daxilində sınaqdan keçirilir. Beləliklə performans fərqinin əsasən qraf çıxarma strategiyasından qaynaqlanıb-qaynaqlanmadığı daha nəzarətli şəkildə görünür.

Formullar Nəyi İzah Edir?

PDF-dəki formullar pump-and-dump aşkarlamasının token-zaman səviyyəsində necə qurulduğunu, qrafların necə çıxarıldığını və ST-GNN modelinin necə proqnoz yaratdığını izah edir. Formullar MathJax uyğun şəkildə aşağıda verilib.

1. Token səviyyəsində fraud ehtimalının proqnozu

Burada \(i\) tokenı, \(t\) saatlıq zaman addımını təmsil edir. \(x_{i,t}\), həmin tokenın həmin saatdakı xüsusiyyət vektorudur. Model keçmiş \(W\) saatlıq pəncərəyə baxaraq pump-and-dump ehtimalı \(\hat{p}_{i,t}\) yaradır. Əgər bu ehtimal qərar həddi \(\gamma\)-nı keçərsə, hadisə anomaliya kimi işarələnir.

2. Ümumi GNN mesaj ötürmə formulu

Bu formul qraf sinir şəbəkəsinin əsas məntiqini göstərir. Bir tokenın yeni təmsili öz əvvəlki təmsili və qonşu tokenlardan gələn məlumatlarla yenilənir. \(\mathcal{N}(i)\), \(i\) tokenının qrafdakı qonşularını; \(AGG\), qonşu məlumatlarının toplanma formasını; \(U\) isə yeniləmə funksiyasını ifadə edir.

3. Sabit zaman pəncərəsi ilə token tarixçəsi

Bu ifadə hər token üçün \(W\) saatlıq keçmiş xüsusiyyət ardıcıllığının yaradıldığını göstərir. \(F\), xüsusiyyət sayıdır. Model yalnız bir saatı deyil, keçmiş bir neçə saatın davranışını birlikdə qiymətləndirir.

Bütün tokenlar birlikdə yığıldıqda modelin girişi \(N\) token, \(W\) saatlıq pəncərə və \(F\) xüsusiyyətdən ibarət üçölçülü tensora çevrilir.

4. Zamanla dəyişən qraf çıxarma operatoru

Bu formul adjacency matrix, yəni tokenlararası bağlantı matrisinin yalnız \(t\) zamanına qədər müşahidə olunan veriləndən yaradıldığını göstərir. Bu məqam vacibdir; çünki gələcək verilənlərdən istifadə model qiymətləndirilməsində verilən sızmasına səbəb ola bilər.

5. Statik korrelyasiya qrafı

Tokenların həcm və ya əməliyyat sayı kimi skalyar sıraları əvvəlcə log çevrilməsindən keçirilir. Beləliklə çox böyük dəyərlərin təsiri yumşaldılır.

Bu formul token cütləri arasındakı Pearson korrelyasiyasını hesablayır. Eyni tokenın özü ilə bağlantısı sıfırlanır.

Korrelyasiya matrisindəki zəif bağlantılar atılır. Hədd \(\tau\), həm minimum mənalılıq bazasına, həm də korrelyasiyaların kvantilinə görə müəyyən edilir. Beləliklə yalnız güclü əlaqələr qrafda kənar kimi qalır.

6. Hadisə yönümlü dinamik qraf

Hər təlim pump hadisəsi \(p\) ətrafında \(L\) saatlıq geriyə baxan pəncərə açılır. Bu pəncərə hadisə anındakı əlaqələri tutmaq üçün istifadə edilir.

Hər pump pəncərəsində yeni korrelyasiyalar hesablanır və güclü bağlantılar kənar kimi seçilir. Bu quruluş manipulyasiya zamanlarındakı dəyişən ortaq hərəkətləri tutmağa çalışır.

Bu formul zaman \(t\) üçün hansı dinamik qrafın istifadə ediləcəyini göstərir. Hələ əvvəlki pump hadisəsi yoxdursa vahid matris istifadə olunur; əks halda ən son təlim pump hadisəsinə aid yenilənmiş qraf istifadə olunur.

7. Self-adaptive adjacency

Bu formulda \(E_1\) və \(E_2\) modellə birlikdə öyrənilən mənbə və hədəf düyün embedding matrisləridir. ReLU zəif və ya mənfi əlaqələri basdırır; SoftMax isə sətir əsaslı normallaşdırılmış bağlantı çəkiləri yaradır. Bu qraf simmetrik olmaq məcburiyyətində deyil.

Öyrənilmiş sıx qraf daha sonra \(\epsilon\) həddi ilə seyrəldilir. Beləliklə yalnız kifayət qədər güclü bağlantılar saxlanılır.

8. ST-GNN proqnoz axını

Hər saatda token xüsusiyyətləri və həmin saatdakı qraf birlikdə istifadə edilərək məkan embedding-i yaradılır.

Bu embedding-lər zaman boyunca ardıcıllığa çevrilir. Beləliklə model həm tokenlararası əlaqələrdən, həm də zaman içindəki dəyişiklikdən istifadə edir.

Temporal Transformer Encoder \(W\) saatlıq tarixçəni emal edir. Son zaman addımındakı təmsil sigmoid qatından keçirilərək pump-and-dump ehtimalına çevrilir.

9. F1 skoru

Verilənlər dəstində pump saatları çox nadir olduğu üçün yalnız dəqiqlik nisbətinə baxmaq yanıltıcı ola bilər. F1 skoru precision və recall tarazlığını ölçərək azlıq sinfi olan manipulyasiya hadisələri üçün daha mənalı performans göstəricisi təqdim edir.

Qrafik, Cədvəl və Sxemin Əsas Mesajı

Səhifə 5-dəki pump nümunəsi: BRD və OAX tokenları üçün bir pump hadisəsi ətrafında saatlıq əməliyyat sayı göstərilir. Qrafik hadisə ətrafında əməliyyat sayının kəskin sıçradığını və müxtəlif tokenlar arasında ortaq hərəkət izləri ola biləcəyini göstərir. Əsas mesaj pump hadisələrinin yalnız qiymətlə deyil, əməliyyat aktivliyindəki ani sıxlaşma ilə də oxuna bilməsidir.

Səhifə 6-dakı model müqayisə qrafiki: XGBoost və Random Forest qrafa əsaslanan modellərdən daha aşağı F1 skoru verir. Statik və dinamik korrelyasiya qrafları klassik modellərlə müqayisədə yaxşılaşma təmin edir; ən yaxşı ümumi performans isə self-adaptive graph yanaşmasında müşahidə olunur.

Səhifə 6-dakı precision-recall əyriləri: Sinif balanssızlığı çox yüksək olduğu üçün PR əyriləri xüsusilə vacibdir. Qraf əsaslı modellər eyni recall səviyyəsində daha yüksək precision təmin edərək yanlış həyəcan yükünü daha yaxşı nəzarətdə saxlaya bilir.

Səhifə 7-dəki token əsaslı performans qrafiki: APPC və NXS kimi test dəstində ən az beş pump hadisəsi olan tokenlarda self-adaptive model ən yüksək F1 skorlarına çatır. Bu, modelin yalnız ümumi ortalamada deyil, müəyyən intensiv hadisəli tokenlarda da güclü işləyə bildiyini göstərir.

Səhifə 9-dakı xüsusiyyət cədvəli: Modelin istifadə etdiyi xüsusiyyətlər yalnız OHLCV ilə məhdud deyil. Əməliyyat sayı, taker buy həcmi, 12 saatlıq rolling mean və rolling standard deviation dəyişmələri, həcm və qiymət dəyişmələri, buy pressure və günün saatı kimi göstəricilər də istifadə olunur. Əsas mesaj manipulyasiyanın ani rejim dəyişikliyi kimi izlənməyə çalışılmasıdır.

Təcrübələr Necə Aparılıb?

Tədqiqatda real pump-and-dump hadisələrindən ibarət verilənlər dəstindən istifadə olunur. Hadisələr 2017–2021 dövrünü əhatə edir və etiketlər şifrəli mesajlaşma platformalarının izlənməsi ilə müəyyən edilmiş manipulyasiya kampaniyalarından əldə edilir.

Bazar verilənləri Binance API vasitəsilə BTC quote currency ilə toplanır. Verilənlər saatlıq şamlar şəklində təqdim olunur. Hər pump zamanı ən yaxın saat sərhədinə yuvarlaqlaşdırılaraq bazar veriləni ilə uyğunlaşdırılır.

Ümumi verilənlər dəsti 84 token üçün 1.905.850 müşahidə ehtiva edir. Müsbət sinif, yəni pump kimi işarələnmiş saatların sayı yalnız 314-dür. Bu da təxminən %0.016 müsbət nisbətə uyğun gəlir. Buna görə problem həddindən artıq balanssız təsnifat problemidir.

Model qiymətləndirilməsi xronoloji bölgü ilə aparılır. Saatlıq zaman xəttinin %60-ı təlim, %20-si doğrulama, %20-si test üçün ayrılır. Təlim və test sərhədlərində qısamüddətli sızmanı azaltmaq üçün 5 saatlıq embargo tətbiq edilir. Qərar həddi doğrulama dəstində F1 skorunu maksimumlaşdıracaq şəkildə seçilir və testdə dəyişdirilmədən tətbiq olunur.

Müqayisə üçün Random Forest və XGBoost kimi klassik maşın öyrənməsi modellərindən istifadə olunur. Qraf əsaslı tərəfdə isə statik korrelyasiya qrafı, hadisə yönümlü dinamik korrelyasiya qrafı və self-adaptive graph olmaqla üç ST-GNN variantı sınaqdan keçirilir.

Nəticələr Nəyi Göstərir?

1. Qraf əsaslı modellər klassik üsulları üstələdi. XGBoost F1 = 0.49 ± 0.03, Random Forest isə F1 = 0.53 ± 0.01 səviyyəsində qalır. Buna qarşı bütün qraf əsaslı modellər bu iki baseline-ı keçir.

2. Statik və dinamik korrelyasiya qrafları fayda verdi. Həcm korrelyasiyasına əsaslanan statik qraf F1 = 0.575 ± 0.04, dinamik həcm qrafı F1 = 0.58 ± 0.02 verir. Əməliyyat sayı əsasında qurulan statik qraf isə F1 = 0.60 ± 0.04 ilə korrelyasiya əsaslı yanaşmalar arasında güclü nəticə yaradır.

3. Ən yaxşı ümumi nəticə self-adaptive graph ilə əldə edildi. Öyrənilə bilən bağlantı quruluşundan istifadə edən self-adaptive graph modeli F1 = 0.62 ± 0.05 dəyərinə çatır. Bu nəticə tokenlararası gizli asılılıqları modelin özünün öyrənməsinin faydalı ola biləcəyini göstərir.

4. PR əyriləri graph yanaşmasının üstünlüyünü dəstəkləyir. Pump hadisələri çox nadir olduğu üçün ROC əyrisi yanıltıcı ola bilər. Məqalə buna görə precision-recall təhlilinə üstünlük verir. Qraf əsaslı modellər, xüsusilə yüksək recall bölgəsində daha yaxşı precision təqdim edir.

5. APPC və NXS kimi intensiv hadisəli tokenlarda performans daha yüksəkdir. Test dəstində ən az beş pump hadisəsi olan APPC və NXS üçün self-adaptive model müvafiq olaraq F1 = 0.808 ± 0.05 və F1 = 0.931 ± 0.06 dəyərlərinə çatır.

6. Qazanc yalnız model tutumundan gəlmir. Əlavələrdəki temporal-only baseline nəticələri yalnız daha böyük GRU və ya TransformerEncoder istifadə etməyin graph yanaşmasındakı fərqi bağlamadığını göstərir. Bu da yaxşılaşmanın əsas mənbəyinin tokenlararası əlaqələri modelləşdirmək olduğunu düşündürür.

Bu Niyə Vacibdir?

Kripto bazarlarında manipulyasiya aşkarlanması çox vaxt erkən xəbərdarlıq və bazar nəzarəti baxımından kritik problemdir. Lakin hər zaman əməliyyat səviyyəli blockchain verilənləri, order book dərinliyi və ya sosial media mesajları əlçatan olmaya bilər. Bu tədqiqat yalnız saatlıq aqreqat bazar verilənləri ilə də tokenlararası əlaqə çıxarılmasının mümkün olduğunu və bunun aşkarlama performansını artıra bildiyini göstərir.

Xüsusilə pump-and-dump kampaniyaları təcrid olunmuş hadisələr deyil. Eyni qruplar oxşar zamanlarda birdən çox tokenı hədəfləyə, əməliyyat sayı və həcm müəyyən tokenlar arasında eyni vaxtlı hərəkət edə və ya bazar davranışı qısamüddətli şəbəkə effekti yarada bilər. Qraf əsaslı yanaşma bu ortaq hərəkətləri modelə daxil edir.

Tədqiqatın vacib tərəfi real nəzarət şəraitinə daha yaxın qiymətləndirmə qurmasıdır. Yalnız pump hadisələrinin ətrafındakı kiçik pəncərələri seçmək əvəzinə, bütün bazar axını daxilində nadir anomaliya aşkarlanması aparılır. Bu da problemi daha çətin, lakin daha real hala gətirir.

Diqqət Edilməli Məqamlar

1. Tədqiqat preprintdir. Tapıntılar yekun rəyçi qiymətləndirməsindən keçmiş versiyanın dəqiqliyi ilə qiymətləndirilməməlidir.

2. Bu, investisiya modeli deyil. Model pump-and-dump hadisələrini aşkarlamağı hədəfləyir. Hər hansı token üçün alış, satış və ya qiymət proqnozu sistemi kimi istifadə edilməməlidir.

3. Yanlış müsbət riski var. Tokenın anomaliya kimi işarələnməsi təkbaşına manipulyasiya sübutu deyil. Bazar nəzarətində insan araşdırması, əlavə verilən və kontekstual doğrulama tələb olunur.

4. Verilən yalnız aqreqat bazar verilənidir. Model order book, cüzdan transfer şəbəkəsi, sosial media siqnalı və ya birja daxili əmr axını kimi əlavə mənbələrdən istifadə etmir. Buna görə bəzi manipulyasiya növləri görünməyə bilər.

5. Müsbət sinif çox nadirdir. Təxminən %0.016 müsbət nisbət model qiymətləndirilməsini çətinləşdirir. F1 və precision-recall təhlili buna görə vacibdir.

6. Self-adaptive graph şərh edilə bilmə problemi yarada bilər. Korrelyasiya qrafları daha anlaşıqlı olduğu halda, öyrənilmiş gizli adjacency quruluşunun iqtisadi və ya davranış mənası ayrıca təhlil edilməlidir.

Riskli sahə qeydi: Mövzu kripto bazarlarında manipulyasiya aşkarlanması ilə bağlıdır. Bu yazı investisiya tövsiyəsi deyil. Burada izah olunan üsullar hər hansı token, birja və ya şəxs haqqında təkbaşına qəti ittiham vasitəsi kimi istifadə edilməməlidir. Tədqiqat akademik bazar nəzarəti və anomaliya aşkarlanması kontekstində qiymətləndirilməlidir.

Ümumi qiymətləndirmə: Məqalə kripto bazarı manipulyasiyalarını aşkarlayarkən yalnız ayrı-ayrı tokenların qiymət və həcm hərəkətlərinə baxmağın yetərsiz qala biləcəyini müdafiə edir. Pump-and-dump kampaniyaları çox vaxt koordinasiya, təkrar, qısa zaman intervalında intensiv əməliyyat və oxşar aktivlər arasında ortaq hərəkət izləri buraxır. Buna görə tədqiqat tokenları düyün kimi nəzərdən keçirib aralarındakı gizli əlaqələri qraf quruluşu ilə modelləşdirməyi təklif edir.

Nəticə

Bu tədqiqat kripto pump-and-dump aşkarlanmasında qraf əsaslı düşünmənin niyə vacib ola biləcəyini göstərir. Manipulyasiyalar çox vaxt tək tokenın təcrid olunmuş qiymət sıçrayışından ibarət deyil; koordinasiya, təkrar, əməliyyat intensivliyi və tokenlararası ortaq hərəkət ehtiva edə bilər. Buna görə tokenları bir-birindən müstəqil sətirlər kimi deyil, əlaqəli bazar şəbəkəsi kimi modelləşdirmək aşkarlama gücünü artıra bilər.

Məqalənin ən güclü nəticəsi yalnız aqreqat OHLCV və əməliyyat aktivliyi ilə çıxarılan qrafların belə klassik Random Forest və XGBoost yanaşmalarından daha yaxşı performans verməsidir. Ən yaxşı nəticə isə bağlantıları model daxilində öyrənən self-adaptive graph yanaşması ilə əldə edilib.

Verianla oxucusu üçün əsas mesaj budur: Kripto bazarlarında manipulyasiya aşkarlanması yalnız “bu tokenın həcmi artdımı?” sualı ilə məhdudlaşmamalıdır. Daha düzgün sual “bu tokenın davranışı eyni vaxtda və ya yaxın zamanda hərəkət edən digər tokenlarla birlikdə necə şəbəkə nümunəsi yaradır?” ola bilər.

Mənbə və Metod Qeydi

Bu yazı “Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks” adlı akademik PDF əsasında hazırlanmış orijinal Azərbaycan dilli redaksiya məzmunudur. Mətn sözbəsöz tərcümə deyil; tədqiqatdakı problem, metod, formullar, qrafiklər, təcrübə dizaynı, nəticələr və məhdudiyyətlər sadələşdirilərək izah edilib.

Formullar MathJax uyğun LaTeX blokları kimi verilib. PDF-də bəzi formul sətirləri mətn çıxarışında bölündüyü üçün simvol ardıcıllığı məqalədəki kontekstə sadiq qalaraq düzəldilib.