Дар бозорҳои криптовалюта, манипулятсияи pump-and-dump як навъи суиистифодаи бозор мебошад, ки ба сунъӣ зиёд кардани таваҷҷуҳ ба токени муайян дар муддати кӯтоҳ ва сипас, ҳангоми боло рафтани нарх, бо фишори фурӯш ба зарар дучор кардани сармоягузорон асос меёбад. Дар чунин ҳолатҳо аксаран афзоиши ногаҳонии ҳаҷм, ҷаҳиши шумораи муомилот, ҳаракати кӯтоҳмуддати нарх ва баъзан рафтори ҳамзамон байни якчанд токен мушоҳида мешавад.

Ин таҳқиқот ба ҷойи усулҳои классикии омӯзиши мошинӣ, ки танҳо маълумоти гузаштаи як токенро таҳлил мекунанд, равиши spatio-temporal Graph Neural Network, яъне шабакаи нейронии графии фазоӣ-замониро пешниҳод мекунад, ки аз муносибатҳои истихроҷшуда байни токенҳо истифода мебарад. Модел бо маълумоти соатбайъии OHLCV, шумораи муомилот ва нишондиҳандаҳои ҳосилшудаи бозор кор мекунад. Ҳатто агар маълумоти сатҳи Transaction-level ё маълумоти китоби фармоишҳо мавҷуд набошад ҳам, робитаҳои байни токенҳо аз коррелятсияи нарх, ҳаҷм ё шумораи муомилот ё аз вобастагиҳои пинҳоние, ки модел омӯхтааст, истихроҷ карда мешаванд.

Натиҷаи асосии мақола ин аст, ки моделҳои бар граф асосёфта метавонанд pump-and-dump-ро нисбат ба усулҳои классикии бар дарахти қарор асосёфта, ба монанди Random Forest ва XGBoost, беҳтар ошкор кунанд. Нишондиҳандаи беҳтарин бо равиши self-adaptive graph ба даст меояд, ки матритсаи пайвастҳоро на бо қоидаҳои собит, балки дар ҷараёни омӯзиш меомӯзад.

Мушкил дар чист?

Манипулятсияи бозори молиявӣ ба таври сунъӣ равона кардани нархи дороиҳо мебошад, то он маълумоти воқеии арзу тақозоро инъикос накунад. Дар бозорҳои криптовалюта ин хатар метавонад бештар намоён гардад, зеро пардохтпазирӣ пароканда аст, умқи муомилот дар баъзе токенҳо паст мебошад ва механизмҳои назорат нисбат ба бозорҳои анъанавӣ маҳдудтар буда метавонанд.

Дар маъракаҳои pump-and-dump ҳамоҳангсозӣ одатан дар гурӯҳҳои пӯшидаи паёмрасонӣ ё каналҳои ҷомеа анҷом дода мешавад. Дар атрофи соати муайян шумораи зиёди одамон ҳамон токенро мехаранд, шумораи муомилот ва ҳаҷм босуръат меафзояд, нарх ҷаҳиши кӯтоҳмуддат мекунад ва баъд иштирокдорони барвақт вориди фурӯш шуда, аз бозор мебароянд. Ин раванд метавонад дар маълумоти соатбайъии бозории токен осор гузорад.

Аммо дар амал аксари манбаъҳои дода танҳо маълумоти агрегатшудаи OHLCV дар сатҳи токен, шумораи муомилот ва баъзе нишондиҳандаҳои ҳосилшударо пешниҳод мекунанд. Яъне муҳаққиқ на ҳамеша шабакаи интиқол байни ҳамёнҳо ё умқи китоби фармоишҳоро дар ихтиёр дорад. Дар ин ҳолат саволи муҳим чунин аст: Оё танҳо бо маълумоти агрегатшудаи бозор байни токенҳо графи муносибатҳои маънодор сохтан мумкин аст ва оё ин граф ошкоркунии pump-and-dump-ро беҳтар мекунад?

Усул чӣ пешниҳод мекунад?

Таҳқиқот ҳар як токенро ҳамчун гиреҳ дар граф баррасӣ мекунад. Қирраҳои байни токенҳо на аз муносибатҳои мустақими мушоҳидашудаи муомилот, балки аз маълумоти агрегатшудаи бозор истихроҷ карда мешаванд. Ҳамин тавр, ҳатто ҳангоми набудани маълумоти Transaction-level, ҳаракати муштарак байни токенҳо, рафтори монанди ҳаҷм ё сохтори муносибатҳои пинҳоние, ки модел омӯхтааст, истифода бурда мешавад.

Мақола се усули гуногуни истихроҷи графро пешниҳод мекунад:

1. Графи статии коррелятсия: Дар давраи омӯзиш матритсаи коррелятсия бар асоси силсилаи скалярӣ, ба монанди ҳаҷм ё шумораи муомилоти токенҳо, ҳисоб карда мешавад. Коррелятсияҳои қавитарин ҳамчун қирра нигоҳ дошта мешаванд ва ҳамин граф дар тамоми вақтҳо истифода мешавад.

2. Графи динамикии коррелятсияи ба рӯйдод нигаронидашуда: Дар атрофи рӯйдодҳои pump дар давраи омӯзиш равзанаҳои кӯтоҳи вақт кушода мешаванд. Сохтори коррелятсия дар ин равзанаҳо нав карда мешавад. Ҳадаф ин аст, ки муносибатҳои тағйирёбандаи байни токенҳо дар атрофи рӯйдодҳои манипулятсия беҳтар дарёфт карда шаванд.

3. Self-adaptive graph: Сохтори пайвастҳо пешакӣ бо коррелятсия собит карда намешавад. Модел аз embedding-ҳои гиреҳҳо матритсаи пинҳонии adjacency-ро меомӯзад. Ин равиш ба модел имкон медиҳад, ки муносибатҳоеро, ки бо коррелятсия ба таври ошкоро дарёфт намешаванд, низ кашф кунад.

Ин се усули граф дар дохили ҳамон меъмории GNN-и фазоӣ-замонӣ санҷида мешаванд. Ҳамин тавр, метавон ба таври назоратшаванда муайян кард, ки фарқи иҷроиш асосан аз стратегияи истихроҷи граф сарчашма мегирад ё не.

Формулаҳо чиро нишон медиҳанд?

Формулаҳои PDF шарҳ медиҳанд, ки ошкоркунии pump-and-dump дар сатҳи токен-вақт чӣ гуна сохта шудааст, графҳо чӣ гуна истихроҷ мешаванд ва модели ST-GNN чӣ гуна пешгӯӣ тавлид мекунад. Формулаҳо дар шакли мувофиқ ба MathJax дар поён оварда шудаанд.

1. Арзёбии эҳтимолияти fraud дар сатҳи токен

Дар ин ҷо \(i\) токен ва \(t\) қадами вақти соатбайъро ифода мекунад. \(x_{i,t}\) вектори хусусиятҳои ҳамон токен дар ҳамон соат мебошад. Модел бо баррасии равзанаи гузаштаи \(W\)-соата эҳтимолияти pump-and-dump-и \(\hat{p}_{i,t}\)-ро тавлид мекунад. Агар ин эҳтимолият аз остонаи қарор \(\gamma\) зиёд шавад, рӯйдод ҳамчун аномалия қайд карда мешавад.

2. Формулаи умумии интиқоли паём дар GNN

Ин формула мантиқи асосии шабакаи нейронии графиро нишон медиҳад. Тасвири нави як токен бо истифода аз тасвири қаблии худ ва маълумоти аз токенҳои ҳамсоя гирифташуда нав карда мешавад. \(\mathcal{N}(i)\) ҳамсояҳои токени \(i\)-ро дар граф, \(AGG\) тарзи ҷамъкунии маълумоти ҳамсояҳо ва \(U\) функсияи навсозиро ифода мекунад.

3. Таърихи токен бо равзанаи собити вақт

Ин ифода нишон медиҳад, ки барои ҳар токен силсилаи хусусиятҳои гузаштаи \(W\)-соата сохта мешавад. \(F\) шумораи хусусиятҳо мебошад. Модел на танҳо як соат, балки рафтори чанд соати гузаштаро якҷоя арзёбӣ мекунад.

Ҳангоми якҷо ҷамъ кардани ҳамаи токенҳо, вуруди модел ба тензори сеандозае табдил меёбад, ки аз \(N\) токен, равзанаи \(W\)-соата ва \(F\) хусусият иборат аст.

4. Оператори истихроҷи графи тағйирёбанда дар вақт

Ин формула нишон медиҳад, ки матритсаи adjacency, яъне матритсаи пайвастҳои байни токенҳо, танҳо аз додаҳои то вақти \(t\) мушоҳидашуда тавлид мешавад. Ин нукта муҳим аст, зеро истифодаи додаҳои оянда метавонад ҳангоми арзёбии модел боиси ихроҷи додаҳо гардад.

5. Графи статии коррелятсия

Силсилаҳои скалярии токенҳо, ба монанди ҳаҷм ё шумораи муомилот, аввал аз табдили логарифмӣ гузаронида мешаванд. Ҳамин тавр, таъсири қиматҳои хеле калон мулоим карда мешавад.

Ин формула коррелятсияи Пирсонро байни ҷуфтҳои токенҳо ҳисоб мекунад. Пайвасти токен бо худи ҳамон токен ба сифр баробар карда мешавад.

Пайвастҳои заиф дар матритсаи коррелятсия хориҷ карда мешаванд. Остонаи \(\tau\) ҳам бар асоси ҳадди ақали маънодорӣ ва ҳам бар асоси квантилҳои коррелятсияҳо муайян карда мешавад. Ҳамин тавр, дар граф танҳо муносибатҳои қавӣ ҳамчун қирра боқӣ мемонанд.

6. Графи динамикии ба рӯйдод нигаронидашуда

Дар атрофи ҳар як рӯйдоди pump-и омӯзишӣ \(p\) равзанаи \(L\)-соатаи бозгашт кушода мешавад. Ин равзана барои дарёфти муносибатҳои вақти рӯйдод истифода мегардад.

Дар ҳар равзанаи pump коррелятсияҳои нав ҳисоб карда мешаванд ва пайвастҳои қавӣ ҳамчун қирра интихоб мегарданд. Ин сохтор кӯшиш мекунад ҳаракатҳои муштараки тағйирёбандаро дар вақти манипулятсия дарёфт кунад.

Ин формула нишон медиҳад, ки барои вақти \(t\) кадом графи динамикӣ истифода мешавад. Агар ҳанӯз рӯйдоди қаблии pump вуҷуд надошта бошад, матритсаи воҳид истифода мешавад; дар акси ҳол, графи навшудаи марбут ба охирин рӯйдоди pump-и омӯзишӣ истифода мегардад.

7. Self-adaptive adjacency

Дар ин формула \(E_1\) ва \(E_2\) матритсаҳои embedding-и гиреҳҳои манбаъ ва мақсад мебошанд, ки ҳамроҳ бо модел омӯхта мешаванд. ReLU муносибатҳои заиф ё манфиро фурӯ менишонад, дар ҳоле ки SoftMax вазнҳои пайвасти ба таври сатрӣ нормализатсияшударо тавлид мекунад. Ин граф ҳатман симметрӣ нест.

Графи зичи омӯхташуда баъд бо остонаи \(\epsilon\) пароканда карда мешавад. Ҳамин тавр, танҳо пайвастҳои ба қадри кофӣ қавӣ нигоҳ дошта мешаванд.

8. Раванди пешгӯии ST-GNN

Дар ҳар соат хусусиятҳои токен ва графи ҳамон соат якҷоя истифода шуда, embedding-и фазоӣ тавлид карда мешавад.

Ин embedding-ҳо дар тӯли вақт ба силсила табдил дода мешаванд. Ҳамин тавр, модел ҳам муносибатҳои байни токенҳо ва ҳам тағйиротро дар тӯли вақт истифода мебарад.

Temporal Transformer Encoder гузаштаи \(W\)-соатаро коркард мекунад. Тасвири қадами охирини вақт аз қабати sigmoid гузаронида шуда, ба эҳтимолияти pump-and-dump табдил меёбад.

9. Нишондиҳандаи F1

Азбаски соатҳои pump дар маҷмӯи додаҳо хеле каманд, танҳо ба сатҳи дурустӣ нигоҳ кардан метавонад иштибоҳовар бошад. Нишондиҳандаи F1 тавозуни precision ва recall-ро чен карда, барои рӯйдодҳои манипулятсионӣ, ки синфи ақаллиятро ташкил медиҳанд, нишондиҳандаи пурмаънотарини иҷроишро пешниҳод мекунад.

Паёми асосии график, ҷадвал ва схема

Намунаи pump дар саҳифаи 5: Барои токенҳои BRD ва OAX шумораи соатбайъии муомилот дар атрофи як рӯйдоди pump нишон дода мешавад. График нишон медиҳад, ки шумораи муомилот дар атрофи рӯйдод ба таври шадид ҷаҳиш мекунад ва байни токенҳои гуногун осори ҳаракати муштарак вуҷуд дошта метавонад. Паёми асосӣ ин аст, ки рӯйдодҳои pump-ро на танҳо аз рӯи нарх, балки аз рӯи мутамарказшавии ногаҳонии фаъолияти муомилот низ хондан мумкин аст.

Графики муқоисаи моделҳо дар саҳифаи 6: XGBoost ва Random Forest нисбат ба моделҳои бар граф асосёфта нишондиҳандаи F1-и пасттар медиҳанд. Графҳои статикӣ ва динамикии коррелятсия нисбат ба моделҳои классикӣ беҳбудӣ меоранд; натиҷаи беҳтарини умумӣ дар равиши self-adaptive graph мушоҳида мешавад.

Каҷҳои precision-recall дар саҳифаи 6: Азбаски нобаробарии синфҳо хеле баланд аст, каҷҳои PR аҳамияти махсус доранд. Моделҳои бар граф асосёфта дар ҳамон сатҳи recall precision-и баландтар фароҳам оварда, бори ҳушдорҳои бардурӯғро беҳтар назорат карда метавонанд.

Графики иҷроиш дар сатҳи токен дар саҳифаи 7: Дар токенҳое ба монанди APPC ва NXS, ки дар маҷмӯи санҷишӣ ҳадди ақал панҷ рӯйдоди pump доранд, модели self-adaptive ба баландтарин нишондиҳандаҳои F1 мерасад. Ин нишон медиҳад, ки модел на танҳо дар миёнаи умумӣ, балки дар токенҳои дорои рӯйдодҳои зич низ метавонад қавӣ кор кунад.

Ҷадвали хусусиятҳо дар саҳифаи 9: Хусусиятҳои истифодакардаи модел танҳо бо OHLCV маҳдуд нестанд. Нишондиҳандаҳое ба монанди шумораи муомилот, taker buy volume, тағйироти 12-соатаи rolling mean ва rolling standard deviation, тағйироти ҳаҷм ва нарх, buy pressure ва соати рӯз низ истифода мешаванд. Паёми асосӣ ин аст, ки манипулятсия ҳамчун тағйироти ногаҳонии режим пайгирӣ карда мешавад.

Таҷрибаҳо чӣ гуна гузаронида шудаанд?

Дар таҳқиқот маҷмӯи додаҳое истифода мешавад, ки аз рӯйдодҳои воқеии pump-and-dump иборат аст. Рӯйдодҳо давраи солҳои 2017–2021-ро фаро мегиранд ва тамғаҳо аз маъракаҳои манипулятсия гирифта шудаанд, ки тавассути назорати платформаҳои паёмрасонии рамзгузоришуда муайян шудаанд.

Маълумоти бозор тавассути Binance API бо BTC quote currency ҷамъоварӣ мешавад. Додаҳо дар шакли шамъҳои соатбайъ муаррифӣ мешаванд. Вақти ҳар як pump ба наздиктарин марзи соат гирд карда шуда, бо маълумоти бозор ҳамоҳанг карда мешавад.

Маҷмӯи додаҳои умумӣ барои 84 токен 1.905.850 мушоҳидаро дар бар мегирад. Шумораи соатҳои синфи мусбат, яъне соатҳое, ки ҳамчун pump тамғагузорӣ шудаанд, танҳо 314 мебошад. Ин ба сатҳи мусбати тақрибан %0.016 баробар аст. Аз ин рӯ, масъала масъалаи таснифоти ниҳоят нобаробар мебошад.

Арзёбии модел бо ҷудокунии хронологӣ анҷом дода мешавад. %60-и ҷадвали вақти соатбайъ барои омӯзиш, %20 барои санҷиши тасдиқӣ ва %20 барои санҷиш ҷудо карда мешавад. Барои коҳиш додани ихроҷи кӯтоҳмуддат дар сарҳадҳои омӯзиш ва санҷиш эмбаргои 5-соата татбиқ мегардад. Остонаи қарор дар маҷмӯи тасдиқӣ ба таври интихоб мешавад, ки нишондиҳандаи F1-ро ҳадди аксар кунад ва сипас дар санҷиш бетағйир истифода мешавад.

Барои муқоиса моделҳои классикии омӯзиши мошинӣ, ба монанди Random Forest ва XGBoost, истифода мешаванд. Дар тарафи бар граф асосёфта бошад, се варианти ST-GNN — графи статии коррелятсия, графи динамикии коррелятсияи ба рӯйдод нигаронидашуда ва self-adaptive graph — санҷида мешаванд.

Натиҷаҳо чиро нишон медиҳанд?

1. Моделҳои бар граф асосёфта аз усулҳои классикӣ пеш гузаштанд. XGBoost дар сатҳи F1 = 0.49 ± 0.03 ва Random Forest дар сатҳи F1 = 0.53 ± 0.01 боқӣ мемонанд. Баръакси ин, ҳамаи моделҳои бар граф асосёфта аз ин ду baseline болотар мебошанд.

2. Графҳои статикӣ ва динамикии коррелятсия фоида оварданд. Графи статикӣ, ки ба коррелятсияи ҳаҷм асос ёфтааст, F1 = 0.575 ± 0.04 ва графи динамикии ҳаҷм F1 = 0.58 ± 0.02 медиҳад. Графи статикӣ, ки бар асоси шумораи муомилот сохта шудааст, бо F1 = 0.60 ± 0.04 дар байни равишҳои бар коррелятсия асосёфта натиҷаи қавӣ медиҳад.

3. Натиҷаи беҳтарини умумӣ бо self-adaptive graph ба даст омад. Модели self-adaptive graph, ки сохтори пайвастҳои омӯхташавандаро истифода мебарад, ба арзиши F1 = 0.62 ± 0.05 мерасад. Ин натиҷа нишон медиҳад, ки омӯзиши вобастагиҳои пинҳонии байни токенҳо аз ҷониби худи модел метавонад муфид бошад.

4. Каҷҳои PR бартарии равиши графиро дастгирӣ мекунанд. Азбаски рӯйдодҳои pump хеле каманд, каҷи ROC метавонад иштибоҳовар бошад. Аз ин рӯ, мақола ба таҳлили precision-recall аҳамияти бештар медиҳад. Моделҳои бар граф асосёфта, махсусан дар минтақаи recall-и баланд, precision-и беҳтар пешниҳод мекунанд.

5. Дар токенҳои дорои рӯйдодҳои зич, ба монанди APPC ва NXS, иҷроиш баландтар аст. Барои APPC ва NXS, ки дар маҷмӯи санҷишӣ ҳадди ақал панҷ рӯйдоди pump доранд, модели self-adaptive мутаносибан ба F1 = 0.808 ± 0.05 ва F1 = 0.931 ± 0.06 мерасад.

6. Афзалият танҳо аз иқтидори модел ба вуҷуд намеояд. Натиҷаҳои baseline-и temporal-only дар замимаҳо нишон медиҳанд, ки танҳо истифода бурдани GRU-и калонтар ё TransformerEncoder фарқи равиши графиро бартараф намекунад. Ин ба он ишора мекунад, ки манбаи асосии беҳбудӣ моделсозии муносибатҳои байни токенҳо мебошад.

Чаро ин муҳим аст?

Ошкоркунии манипулятсия дар бозорҳои криптовалюта аксаран аз нуқтаи назари ҳушдори барвақт ва назорати бозор масъалаи муҳим мебошад. Аммо маълумоти blockchain дар сатҳи муомилот, умқи order book ё паёмҳои шабакаҳои иҷтимоӣ на ҳамеша дастрас буда метавонанд. Ин таҳқиқот нишон медиҳад, ки ҳатто танҳо бо маълумоти агрегатшудаи соатбайъии бозор ҳам муносибатҳои байни токенҳоро истихроҷ кардан мумкин аст ва ин метавонад иҷроиши ошкоркуниро беҳтар кунад.

Махсусан, маъракаҳои pump-and-dump рӯйдодҳои ҷудогона нестанд. Ҳамон гурӯҳҳо метавонанд дар вақтҳои монанд якчанд токенро ҳадаф қарор диҳанд, шумораи муомилот ва ҳаҷм дар байни токенҳои муайян ҳамзамон ҳаракат кунад ё рафтори бозор таъсири кӯтоҳмуддати шабакавӣ ба вуҷуд оварад. Равиши бар граф асосёфта ин ҳаракатҳои муштаракро ба модел ворид мекунад.

Ҷанбаи муҳими таҳқиқот дар он аст, ки он арзёбиеро ба вуҷуд меорад, ки ба шароити воқеии назорат наздиктар мебошад. Ба ҷойи интихоб кардани танҳо равзанаҳои хурд дар атрофи рӯйдодҳои pump, ошкоркунии аномалияҳои нодир дар тамоми ҷараёни бозор анҷом дода мешавад. Ин масъалаҳоро душвортар, вале воқеӣтар мегардонад.

Нуқтаҳои муҳим

1. Таҳқиқот preprint мебошад. Натиҷаҳо набояд бо дараҷаи қатъияти версияи ниҳоии аз ҷониби ҳамтоён баррасишуда арзёбӣ шаванд.

2. Ин модели сармоягузорӣ нест. Модел барои ошкор кардани рӯйдодҳои pump-and-dump пешбинӣ шудааст. Он набояд ҳамчун низоми харид, фурӯш ё пешгӯии нарх барои ягон токен истифода шавад.

3. Хатари мусбати бардурӯғ вуҷуд дорад. Ҳамчун аномалия қайд шудани як токен худ аз худ далели манипулятсия нест. Назорати бозор баррасии инсонӣ, додаҳои иловагӣ ва тасдиқи контекстиро талаб мекунад.

4. Додаҳо танҳо маълумоти агрегатшудаи бозор мебошанд. Модел аз сарчашмаҳои иловагӣ, ба монанди order book, шабакаи интиқоли ҳамёнҳо, сигналҳои шабакаҳои иҷтимоӣ ё ҷараёни фармоишҳои дохили биржа истифода намекунад. Аз ин рӯ, баъзе навъҳои манипулятсия метавонанд намоён нашаванд.

5. Синфи мусбат хеле нодир аст. Сатҳи мусбати тақрибан %0.016 арзёбии моделро душвор мекунад. Аз ҳамин сабаб таҳлили F1 ва precision-recall муҳим мебошад.

6. Self-adaptive graph метавонад масъалаи тафсирпазириро ба вуҷуд орад. Графҳои коррелятсия фаҳмотаранд, дар ҳоле ки маънои иқтисодӣ ё рафтории сохтори пинҳонии adjacency-и омӯхташуда бояд алоҳида таҳлил карда шавад.

Ёддошт оид ба соҳаи хавфнок: Мавзӯъ ба ошкоркунии манипулятсия дар бозорҳои криптовалюта дахл дорад. Ин навишта тавсияи сармоягузорӣ нест. Усулҳои дар ин ҷо шарҳдодашуда набояд танҳо ҳамчун воситаи айбдоркунии қатъӣ нисбат ба ягон токен, биржа ё шахс истифода шаванд. Таҳқиқот бояд дар заминаи назорати академии бозор ва ошкоркунии аномалия арзёбӣ карда шавад.

Арзёбии умумӣ: Мақола бар он аст, ки ҳангоми ошкор кардани манипулятсияҳои бозори криптовалюта танҳо ба ҳаракатҳои нарх ва ҳаҷми токенҳои алоҳида нигоҳ кардан метавонад нокифоя бошад. Маъракаҳои pump-and-dump аксаран осори ҳамоҳангсозӣ, такрор, муомилоти мутамарказ дар фосилаи кӯтоҳи вақт ва ҳаракати муштарак байни дороиҳои монандро боқӣ мегузоранд. Аз ин рӯ, таҳқиқот пешниҳод мекунад, ки токенҳо ҳамчун гиреҳҳо баррасӣ шуда, муносибатҳои пинҳонии байни онҳо бо сохтори граф моделсозӣ карда шаванд.

Хулоса

Ин таҳқиқот нишон медиҳад, ки чаро андешаи бар граф асосёфта метавонад дар ошкоркунии pump-and-dump-и крипто муҳим бошад. Манипулятсияҳо аксаран танҳо ҷаҳиши ҷудогонаи нархи як токен нестанд; онҳо метавонанд ҳамоҳангсозӣ, такрор, зичии муомилот ва ҳаракати муштарак байни токенҳоро дар бар гиранд. Аз ин рӯ, моделсозии токенҳо ҳамчун шабакаи ба ҳам алоқаманди бозор, на ҳамчун сатрҳои аз ҳам мустақил, метавонад қудрати ошкоркуниро афзоиш диҳад.

Натиҷаи қавитарини мақола ин аст, ки ҳатто графҳое, ки танҳо бо OHLCV-и агрегатшуда ва фаъолияти муомилот истихроҷ шудаанд, нисбат ба равишҳои классикии Random Forest ва XGBoost иҷроиши беҳтар нишон медиҳанд. Натиҷаи беҳтарин бо равиши self-adaptive graph ба даст омадааст, ки пайвастҳоро дар дохили модел меомӯзад.

Паёми асосӣ барои хонандаи Verianla чунин аст: ошкоркунии манипулятсия дар бозорҳои криптовалюта набояд танҳо бо саволи «ҳаҷми ин токен зиёд шуд ё не?» маҳдуд шавад. Саволи дурусттар метавонад чунин бошад: «Рафтори ин токен якҷо бо токенҳои дигаре, ки ҳамзамон ё чанде пеш ҳаракат кардаанд, чӣ гуна шакли шабакавиро ба вуҷуд меорад?»

Ёддошт оид ба манбаъ ва усул

Ин навишта бар асоси PDF-и академии дорои унвони “Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks” ҳамчун муҳтавои таҳририи мустақили туркӣ таҳия шудааст. Матн тарҷумаи калима ба калима нест; масъала, усул, формулаҳо, графҳо, тарҳи таҷриба, натиҷаҳо ва маҳдудиятҳои таҳқиқот ба шакли содашуда баён шудаанд.

Формулаҳо ҳамчун блокҳои LaTeX-и мувофиқ ба MathJax оварда шудаанд. Азбаски баъзе сатрҳои формула дар PDF ҳангоми истихроҷи матн тақсим шудаанд, тартиби рамзҳо бо риояи контексти мақола ба тартиб дароварда шудааст.