Kriptovalyuta bozorlarida pump-and-dump manipulyatsiyasi ma’lum bir tokenni qisqa vaqt ichida sun’iy qiziqish bilan shishirish, keyin esa narx ko‘tarilganda sotuv bosimi orqali investorlarni zarar ko‘rishga olib kelishga asoslangan bozor suiiste’moli turidir. Bunday holatlarda ko‘pincha hajmning keskin oshishi, tranzaksiyalar sonining sakrashi, qisqa muddatli narx harakati va ba’zan bir nechta token o‘rtasida bir vaqtdagi xatti-harakat kuzatilishi mumkin.

Ushbu tadqiqot faqat bitta tokenning tarixiy ma’lumotlarini o‘rganadigan klassik mashina o‘rganish usullari o‘rniga tokenlar o‘rtasida chiqarib olinadigan munosabatlardan foydalanadigan spatio-temporal Graph Neural Network ya’ni fazoviy-vaqtli grafik neyron tarmoq yondashuvini taklif qiladi. Model soatlik OHLCV ma’lumotlari, tranzaksiyalar soni va hosila bozor ko‘rsatkichlari bilan ishlaydi. Transaction-level ma’lumot yoki order book ma’lumoti mavjud bo‘lmasa ham, tokenlar o‘rtasidagi bog‘lanishlar narx, hajm yoki tranzaksiyalar soni korrelyatsiyalaridan yoxud model o‘rgangan yashirin bog‘liqliklardan chiqariladi.

Maqolaning asosiy natijasi shuki, grafik asosidagi modellar Random Forest va XGBoost kabi klassik qaror daraxti asosidagi usullarga qaraganda pump-and-dump holatlarini yaxshiroq aniqlaydi. Eng yaxshi natija bog‘lanish matritsasini qat’iy qoidalar bilan emas, balki o‘qitish davomida o‘rganadigan self-adaptive graph yondashuvida olinadi.

Muammo nimada?

Moliyaviy bozor manipulyatsiyasi aktiv narxlarini haqiqiy talab-taklif axborotini aks ettirmaydigan tarzda sun’iy boshqarishdir. Kripto bozorlarida bu xavf yanada yaqqol bo‘lishi mumkin, chunki likvidlik parchalangan, ayrim tokenlarda bozor chuqurligi past va nazorat mexanizmlari an’anaviy bozorlarga qaraganda cheklangan bo‘lishi mumkin.

Pump-and-dump kampaniyalarida muvofiqlashtirish odatda yopiq messenjer guruhlari yoki hamjamiyat kanallarida amalga oshirilishi mumkin. Muayyan vaqt atrofida ko‘plab odamlar bir xil tokenni sotib oladi, tranzaksiyalar soni va hajm tez oshadi, narx qisqa muddatga sakraydi va keyin erta kirganlar sotib bozorni tark etadi. Bu jarayon tokenning soatlik bozor ma’lumotlarida iz qoldirishi mumkin.

Ammo amalda ko‘plab ma’lumot manbalari faqat token darajasida agregatsiyalangan OHLCV ma’lumotlari, tranzaksiyalar soni va ayrim hosila ko‘rsatkichlarni beradi. Ya’ni tadqiqotchida har doim ham hamyonlararo transfer tarmog‘i yoki order book chuqurligi bo‘lmaydi. Shunda muhim savol tug‘iladi: faqat agregat bozor ma’lumotlari orqali tokenlar o‘rtasida mazmunli munosabat grafigini qurish mumkinmi va bu grafik pump-and-dump aniqlashni yaxshilaydimi?

Usul nimani taklif qiladi?

Tadqiqot har bir tokenni grafikdagi tugun sifatida ko‘radi. Tokenlar orasidagi qirralar esa bevosita kuzatilgan tranzaksiya aloqalaridan emas, agregat bozor ma’lumotlaridan chiqariladi. Shunday qilib, transaction-level ma’lumot bo‘lmasa ham, tokenlar o‘rtasidagi birgalikdagi harakat, o‘xshash hajm xatti-harakati yoki model o‘rgangan yashirin munosabat tuzilmasidan foydalanish mumkin.

Maqola uch xil grafik chiqarish usulini taklif qiladi:

1. Statik korrelyatsiya grafigi: O‘qitish davrida tokenlarning hajmi yoki tranzaksiyalar soni kabi skalyar qatorlari asosida korrelyatsiya matritsasi hisoblanadi. Eng kuchli korrelyatsiyalar qirra sifatida saqlanadi va bir xil grafik barcha vaqtlar uchun ishlatiladi.

2. Hodisaga yo‘naltirilgan dinamik korrelyatsiya grafigi: O‘qitish davridagi pump hodisalari atrofida qisqa vaqt oynalari ochiladi. Ushbu oynalarda korrelyatsiya tuzilmasi yangilanadi. Maqsad manipulyatsiya hodisalari atrofida o‘zgaradigan token munosabatlarini yaxshiroq ushlashdir.

3. Self-adaptive graph: Bog‘lanish tuzilmasi oldindan korrelyatsiya bilan qat’iy belgilanmaydi. Model tugun embeddinglaridan yashirin adjacency matritsasini o‘rganadi. Bu yondashuv korrelyatsiya orqali aniq ushlanmagan munosabatlarni ham modelga kashf etishga imkon beradi.

Ushbu uchta grafik usuli bir xil fazoviy-vaqtli GNN arxitekturasi ichida sinovdan o‘tkaziladi. Shu tariqa ishlashdagi farq asosan grafik chiqarish strategiyasidan kelib chiqadimi, degan savol nazoratliroq ko‘riladi.

Formulalar nimani anglatadi?

PDFdagi formulalar pump-and-dump aniqlash token-vaqt darajasida qanday qurilganini, grafiklar qanday chiqarilishini va ST-GNN modeli qanday bashorat hosil qilishini tushuntiradi. Formulalar MathJax bilan mos holda quyida berilgan.

1. Token darajasida fraud ehtimolini bashoratlash

Bu yerda \(i\) tokenni, \(t\) esa soatlik vaqt qadamini bildiradi. \(x_{i,t}\) o‘sha tokenning shu soatdagi xususiyat vektoridir. Model oldingi \(W\) soatlik oynaga qarab pump-and-dump ehtimoli \(\hat{p}_{i,t}\) ni ishlab chiqaradi. Agar bu ehtimol qaror chegarasi \(\gamma\) dan oshsa, hodisa anomaliya sifatida belgilanadi.

2. Umumiy GNN xabar uzatish formulasi

Bu formula grafik neyron tarmog‘ining asosiy mantiqini ko‘rsatadi. Tokenning yangi tasviri uning avvalgi tasviri va qo‘shni tokenlardan kelgan axborot bilan yangilanadi. \(\mathcal{N}(i)\) grafikdagi \(i\) tokenning qo‘shnilarini, \(AGG\) qo‘shni axborotni birlashtirish usulini, \(U\) esa yangilash funksiyasini bildiradi.

3. Qat’iy vaqt oynasi bilan token tarixi

Bu ifoda har bir token uchun \(W\) soatlik tarixiy xususiyatlar ketma-ketligi yaratilishini ko‘rsatadi. \(F\) xususiyatlar sonidir. Model faqat bitta soatni emas, oldingi bir necha soatdagi xatti-harakatni birga baholaydi.

Barcha tokenlar birga joylashtirilganda model kirishi \(N\) token, \(W\) soatlik oyna va \(F\) xususiyatdan iborat uch o‘lchamli tensorga aylanadi.

4. Vaqt bo‘yicha o‘zgaradigan grafik chiqarish operatori

Bu formula adjacency matrix, ya’ni tokenlararo bog‘lanish matritsasi faqat \(t\) vaqtigacha kuzatilgan ma’lumotdan hosil qilinishini ko‘rsatadi. Bu muhim, chunki kelajak ma’lumotidan foydalanish model baholashida data leakage keltirib chiqarishi mumkin.

5. Statik korrelyatsiya grafigi

Tokenlarning hajm yoki tranzaksiyalar soni kabi skalyar qatorlari avval log-transformatsiyadan o‘tkaziladi. Shu bilan juda katta qiymatlarning ta’siri yumshatiladi.

Bu formula token juftlari orasidagi Pearson korrelyatsiyasini hisoblaydi. Tokenning o‘zi bilan aloqasi nolga tenglashtiriladi.

Korrelyatsiya matritsasidagi zaif bog‘lanishlar olib tashlanadi. \(\tau\) chegarasi ham minimal ahamiyat bazasiga, ham korrelyatsiyalar kvantiliga qarab belgilanadi. Shunday qilib, grafikda faqat kuchli munosabatlar qirra sifatida qoladi.

6. Hodisaga yo‘naltirilgan dinamik grafik

Har bir o‘qitish pump hodisasi \(p\) atrofida \(L\) soatlik orqaga qaragan oyna ochiladi. Bu oyna hodisa paytidagi munosabatlarni ushlash uchun ishlatiladi.

Har bir pump oynasida yangi korrelyatsiyalar hisoblanadi va kuchli bog‘lanishlar qirra sifatida tanlanadi. Bu tuzilma manipulyatsiya vaqtida o‘zgaradigan birgalikdagi harakatlarni ushlashga urinadi.

Bu formula \(t\) vaqti uchun qaysi dinamik grafik ishlatilishini ko‘rsatadi. Agar hali oldingi pump hodisasi bo‘lmasa, birlik matritsa ishlatiladi; aks holda eng so‘nggi o‘qitish pump hodisasiga tegishli yangilangan grafik qo‘llanadi.

7. Self-adaptive adjacency

Bu formulada \(E_1\) va \(E_2\) model bilan birga o‘rganiladigan manba va nishon tugun embedding matritsalaridir. ReLU zaif yoki manfiy munosabatlarni bostiradi; SoftMax esa satr bo‘yicha normallashtirilgan bog‘lanish og‘irliklarini hosil qiladi. Bu grafik simmetrik bo‘lishi shart emas.

O‘rganilgan zich grafik keyin \(\epsilon\) chegarasi bilan siyraklashtiriladi. Natijada faqat yetarlicha kuchli bog‘lanishlar saqlanadi.

8. ST-GNN bashorat oqimi

Har bir soatda token xususiyatlari va shu soatdagi grafik birgalikda ishlatilib fazoviy embedding hosil qilinadi.

Bu embeddinglar vaqt bo‘ylab ketma-ketlikka aylantiriladi. Shunday qilib model ham tokenlararo munosabatlarni, ham vaqt ichidagi o‘zgarishni hisobga oladi.

Temporal Transformer Encoder \(W\) soatlik tarixni qayta ishlaydi. So‘nggi vaqt qadamidagi tasvir sigmoid qatlamidan o‘tkazilib pump-and-dump ehtimoliga aylantiriladi.

9. F1 skori

Ma’lumotlar to‘plamida pump soatlari juda kam bo‘lgani uchun faqat accuracyga qarash chalg‘itishi mumkin. F1 skori precision va recall muvozanatini o‘lchab, ozchilik sinfi bo‘lgan manipulyatsiya hodisalari uchun mazmunliroq ishlash ko‘rsatkichini beradi.

Grafik, jadval va sxemaning asosiy mazmuni

5-sahifadagi pump misoli: BRD va OAX tokenlari uchun pump hodisasi atrofidagi soatlik tranzaksiyalar soni ko‘rsatiladi. Grafik hodisa atrofida tranzaksiyalar soni keskin sakrashini va turli tokenlar o‘rtasida birgalikdagi harakat izlari bo‘lishi mumkinligini ko‘rsatadi. Asosiy xulosa shuki, pump hodisalarini faqat narx bilan emas, tranzaksiya faolligidagi keskin zichlashuv bilan ham o‘qish mumkin.

6-sahifadagi model taqqoslash grafigi: XGBoost va Random Forest grafik asosidagi modellarga qaraganda pastroq F1 skori beradi. Statik va dinamik korrelyatsiya grafiklari klassik modellarga nisbatan yaxshilanish beradi; eng yaxshi umumiy natija esa self-adaptive graph yondashuvida kuzatiladi.

6-sahifadagi precision-recall egri chiziqlari: Sinf nomutanosibligi juda yuqori bo‘lgani uchun PR egri chiziqlari ayniqsa muhim. Grafik asosidagi modellar bir xil recall darajasida yuqoriroq precision berib, noto‘g‘ri signal yukini yaxshiroq nazorat qila oladi.

7-sahifadagi token bo‘yicha ishlash grafigi: Test to‘plamida kamida beshta pump hodisasi bo‘lgan APPC va NXS kabi tokenlarda self-adaptive model eng yuqori F1 skorlariga erishadi. Bu model faqat umumiy o‘rtachada emas, hodisalar ko‘p bo‘lgan ayrim tokenlarda ham kuchli ishlashi mumkinligini ko‘rsatadi.

9-sahifadagi xususiyatlar jadvali: Model ishlatadigan xususiyatlar faqat OHLCV bilan cheklanmaydi. Tranzaksiyalar soni, taker buy hajmi, 12 soatlik rolling mean va rolling standard deviation o‘zgarishlari, hajm va narx o‘zgarishlari, buy pressure va kunning soati kabi ko‘rsatkichlar ham ishlatiladi. Asosiy fikr manipulyatsiyani keskin rejim o‘zgarishi sifatida kuzatishga urinishdir.

Tajribalar qanday o‘tkazilgan?

Tadqiqotda haqiqiy pump-and-dump hodisalaridan iborat ma’lumotlar to‘plami ishlatiladi. Hodisalar 2017–2021 davrini qamrab oladi va yorliqlar shifrlangan messenjer platformalarini kuzatish orqali aniqlangan manipulyatsiya kampaniyalaridan olinadi.

Bozor ma’lumotlari Binance API orqali BTC quote currency bilan yig‘iladi. Ma’lumotlar soatlik candle ko‘rinishida ifodalanadi. Har bir pump vaqti eng yaqin soat chegarasiga yaxlitlanib, bozor ma’lumotlari bilan moslashtiriladi.

Umumiy ma’lumotlar to‘plami 84 token uchun 1.905.850 kuzatuvni o‘z ichiga oladi. Musbat sinf, ya’ni pump sifatida belgilangan soatlar soni atigi 314. Bu taxminan %0.016 musbat ulushga teng. Shuning uchun muammo juda kuchli nomutanosib klassifikatsiya muammosidir.

Model baholashi xronologik bo‘linish bilan amalga oshiriladi. Soatlik vaqt chizig‘ining %60 qismi o‘qitish, %20 qismi validatsiya va %20 qismi test uchun ajratiladi. O‘qitish va test chegaralarida qisqa muddatli sizib chiqishni kamaytirish uchun 5 soatlik embargo qo‘llanadi. Qaror chegarasi validatsiya to‘plamida F1 skorini maksimal qiladigan tarzda tanlanadi va testda o‘zgartirilmay qo‘llanadi.

Taqqoslash uchun Random Forest va XGBoost kabi klassik mashina o‘rganish modellari ishlatiladi. Grafik asosidagi tomonda esa statik korrelyatsiya grafigi, hodisaga yo‘naltirilgan dinamik korrelyatsiya grafigi va self-adaptive graph bo‘lgan uchta ST-GNN varianti sinovdan o‘tkaziladi.

Natijalar nimani ko‘rsatadi?

1. Grafik asosidagi modellar klassik usullardan yaxshiroq ishladi. XGBoost F1 = 0.49 ± 0.03, Random Forest esa F1 = 0.53 ± 0.01 darajasida qoldi. Bunga qarshi barcha grafik asosidagi modellar bu ikki baseline’dan yuqori natija ko‘rsatdi.

2. Statik va dinamik korrelyatsiya grafiklari foyda berdi. Hajm korrelyatsiyasiga asoslangan statik grafik F1 = 0.575 ± 0.04, dinamik hajm grafigi F1 = 0.58 ± 0.02 beradi. Tranzaksiyalar soni bo‘yicha qurilgan statik grafik esa F1 = 0.60 ± 0.04 bilan korrelyatsiya asosidagi yondashuvlar orasida kuchli natija beradi.

3. Eng yaxshi umumiy natija self-adaptive graph bilan olindi. O‘rganiladigan bog‘lanish tuzilmasidan foydalanadigan self-adaptive graph modeli F1 = 0.62 ± 0.05 qiymatiga erishadi. Bu natija tokenlar o‘rtasidagi yashirin bog‘liqliklarni modelning o‘zi o‘rganishi foydali bo‘lishi mumkinligini ko‘rsatadi.

4. PR egri chiziqlari graph yondashuvining afzalligini qo‘llab-quvvatlaydi. Pump hodisalari juda kam bo‘lgani uchun ROC egri chizig‘i chalg‘itishi mumkin. Shu sababli maqola precision-recall tahliliga ko‘proq urg‘u beradi. Grafik asosidagi modellar ayniqsa yuqori recall hududida yaxshiroq precision beradi.

5. APPC va NXS kabi hodisalar ko‘p bo‘lgan tokenlarda natija yuqoriroq. Test to‘plamida kamida beshta pump hodisasi bo‘lgan APPC va NXS uchun self-adaptive model mos ravishda F1 = 0.808 ± 0.05 va F1 = 0.931 ± 0.06 qiymatlariga erishadi.

6. Yutuq faqat model sig‘imidan kelmaydi. Ilovalardagi temporal-only baseline natijalari faqat kattaroq GRU yoki TransformerEncoder ishlatish graph yondashuvidagi farqni yopmasligini ko‘rsatadi. Bu yaxshilanishning asosiy manbai tokenlararo munosabatlarni modellashtirish ekanini anglatadi.

Bu nima uchun muhim?

Kripto bozorlarida manipulyatsiyani aniqlash ko‘pincha erta ogohlantirish va bozor nazorati uchun muhim muammodir. Ammo har doim ham tranzaksiya darajasidagi blokcheyn ma’lumoti, order book chuqurligi yoki ijtimoiy media xabarlari mavjud bo‘lavermaydi. Ushbu tadqiqot faqat soatlik agregat bozor ma’lumotlari bilan ham tokenlararo munosabatlarni chiqarish mumkinligini va bu aniqlash natijasini yaxshilashi mumkinligini ko‘rsatadi.

Ayniqsa pump-and-dump kampaniyalari izolyatsiyalangan hodisalar emas. Bir xil guruhlar o‘xshash vaqtlarda bir nechta tokenni nishonga olishi, tranzaksiyalar soni va hajm ayrim tokenlar orasida bir vaqtda harakatlanishi yoki bozor xatti-harakati qisqa muddatli tarmoq effektini yaratishi mumkin. Grafik asosidagi yondashuv bu umumiy harakatlarni modelga qo‘shadi.

Tadqiqotning muhim tomoni — haqiqiy nazorat sharoitlariga yaqinroq baholash qurilganidir. Faqat pump hodisalari atrofidagi kichik oynalarni tanlash o‘rniga butun bozor oqimi ichida kam uchraydigan anomaliyalarni aniqlash amalga oshiriladi. Bu muammoni qiyinroq, ammo realistikroq qiladi.

E’tibor berish kerak bo‘lgan jihatlar

1. Tadqiqot preprintdir. Natijalarni yakuniy ekspertizadan o‘tgan versiya darajasidagi aniqlik bilan baholamaslik kerak.

2. Bu investitsiya modeli emas. Model pump-and-dump hodisalarini aniqlashga mo‘ljallangan. U hech bir token uchun sotib olish, sotish yoki narx bashoratlash tizimi sifatida ishlatilmasligi kerak.

3. Noto‘g‘ri musbatlar xavfi mavjud. Tokenning anomaliya sifatida belgilanishi o‘z-o‘zicha manipulyatsiya isboti emas. Bozor nazoratida inson tekshiruvi, qo‘shimcha ma’lumot va kontekstual tasdiqlash kerak.

4. Ma’lumot faqat agregat bozor ma’lumotidir. Model order book, hamyon transfer tarmog‘i, ijtimoiy media signali yoki birja ichidagi order flow kabi qo‘shimcha manbalardan foydalanmaydi. Shu sababli ayrim manipulyatsiya turlari ko‘rinmasligi mumkin.

5. Musbat sinf juda kam uchraydi. Taxminan %0.016 musbat ulush model baholashini qiyinlashtiradi. Shu sababli F1 va precision-recall tahlili muhim.

6. Self-adaptive graph talqin qilish muammosini tug‘dirishi mumkin. Korrelyatsiya grafiklari tushunarliroq bo‘lsa-da, o‘rganilgan yashirin adjacency tuzilmasining iqtisodiy yoki xulqiy ma’nosi alohida tahlil qilinishi kerak.

Xavfli soha qaydi: Mavzu kripto bozorlarida manipulyatsiyani aniqlash bilan bog‘liq. Ushbu yozuv investitsiya maslahati emas. Bu yerda tushuntirilgan usullar hech qanday token, birja yoki shaxs haqida o‘z-o‘zicha qat’iy ayblov vositasi sifatida ishlatilmasligi kerak. Tadqiqot akademik bozor nazorati va anomaliyani aniqlash kontekstida baholanishi lozim.

Umumiy baholash: Maqola kripto bozor manipulyatsiyasini aniqlashda faqat alohida tokenlarning narx va hajm harakatlariga qarash yetarli bo‘lmasligi mumkinligini ta’kidlaydi. Pump-and-dump kampaniyalari ko‘pincha koordinatsiya, takrorlanish, qisqa vaqt oralig‘ida zich savdo va o‘xshash aktivlar o‘rtasidagi birgalikdagi harakat izlarini qoldiradi. Shu sababli tadqiqot tokenlarni tugun sifatida ko‘rib, ular orasidagi yashirin munosabatlarni grafik tuzilmasi bilan modellashtirishni taklif qiladi.

Xulosa

Ushbu tadqiqot kripto pump-and-dump aniqlashda grafik asosida fikrlash nega muhim bo‘lishi mumkinligini ko‘rsatadi. Manipulyatsiyalar ko‘pincha bitta tokenning izolyatsiyalangan narx sakrashidan iborat emas; ular koordinatsiya, takrorlanish, tranzaksiya zichligi va tokenlararo birgalikdagi harakatni o‘z ichiga olishi mumkin. Shu sababli tokenlarni bir-biridan mustaqil satrlar emas, balki o‘zaro bog‘langan bozor tarmog‘i sifatida modellashtirish aniqlash kuchini oshirishi mumkin.

Maqolaning eng kuchli natijasi shuki, faqat agregat OHLCV va savdo faolligi orqali chiqarilgan grafiklarning o‘zi ham klassik Random Forest va XGBoost yondashuvlaridan yaxshiroq ishlaydi. Eng yaxshi natija esa bog‘lanishlarni model ichida o‘rganadigan self-adaptive graph yondashuvida olingan.

Verianla o‘quvchisi uchun asosiy xulosa shuki: kripto bozorlarida manipulyatsiyani aniqlash faqat “bu tokenning hajmi oshdimi?” degan savol bilan cheklanmasligi kerak. To‘g‘riroq savol “bu token xatti-harakati ayni paytda yoki yaqin vaqtda harakat qilgan boshqa tokenlar bilan birga qanday tarmoq naqshini hosil qilmoqda?” bo‘lishi mumkin.

Manba va usul bo‘yicha izoh

Ushbu yozuv “Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks” nomli akademik PDF asosida tayyorlangan original o‘zbekcha tahririy mazmundir. Matn so‘zma-so‘z tarjima emas; tadqiqotdagi muammo, usul, formulalar, grafiklar, eksperiment dizayni, natijalar va cheklovlar soddalashtirib bayon qilingan.

Formulalar MathJax bilan mos LaTeX bloklari ko‘rinishida berilgan. PDFdagi ayrim formula satrlari matn chiqarish jarayonida bo‘linganligi sababli, belgilar ketma-ketligi maqoladagi kontekstga sodiq qolgan holda tartiblangan.