比特币时代的泵毁操作:加密货币市场操纵的实时检测
本研究是首次对加密货币市场中 “炒作及抛售” 活动的详细经验查询,通过案例研究及对 Telegram 渠道所组织的 412 个 “炒作及抛售” 活动的调查,发现了与 “炒作及抛售” 计划相关的加密货币市场模式,之后,通过建立模型,可以预测加密货币上市前的涨势、提出了一种简单却非常有效的交易策略,揭示了机器学习在犯罪检测方面的应用,并证明了策略加密交易的可行性。
Nov, 2018
本研究探讨社交媒体、低成本交易平台和纯真投资者相交的情况,创建了一个基于社交媒体帖子的预测模型工具,可对 Pump&Dump 式的市场操纵提前进行预警,并在最佳模型下实现了 85% 的准确率和 62% 的 F1 得分。
Jan, 2023
本文研究了加密货币在社交媒体平台上的欺诈行为,发现大量 Twitter 账户是机器人或被停止使用的账户,同时通过 Telegram 和 Discord 的信息进行主题建模,发现了 “Pump-and-dump” 和 “庞氏骗局” 两种不同的欺诈方案。鉴于 Telegram 中有超过 20%的频道与这些骗局有关,该研究揭示了一个鲜为人知的社交机器人活动,为打击加密货币网络操纵制定了可操作的政策。
Jan, 2020
通过一项在线实验研究了区块链交易市场中交易者对同侪影响的敏感度以及设计选择对市场行为的影响。结果表明交易者的购买行为会导致购买行为的短期活跃,而交易所的设计会对此产生积极的社会和经济影响。
Jan, 2018
本研究旨在揭示诸如流通交易等常见的欺诈行为,以帮助监管者缩小市场中坏演员的搜索范围并为投资者提供保护。使用市场数据,我们设计了从网络、货币和时间角度出发的定量特征,将其提供给 K-means 聚类无监督学习算法,并讨论了聚类结果的重要性和监管措施如何减少不良行为。
May, 2023
加密货币论坛与比特币价值波动之间的相互作用的研究,强调论坛数据能够解释金融领域的特定事件,并且强调在某些话题集中讨论、比特币价格触顶以及价格下跌时的引用的相关性。
Nov, 2023
该研究开发了新的检测模型,仅依赖于交易数据,实现了比现有基于交易的模型更高的准确性、精确度、召回率和 F1 值,填补了现有文献中的空白。
Aug, 2023
该研究通过使用 NLP 技术和基于幂律动态的交易模型,探讨了加密货币和模因股票市场中由社交媒体信息产生的 “泡沫” 现象,为金融市场提供了一种分析和检测新型数字资产的方法。
May, 2022
提议了一种用于比特币(BTC)的早期恶意检测的意图监控模型,通过基于决策树的特征选择和补充为不同恶意类型构建不同的特征集,使用状态 / 行为建议模块和意图变分自动编码器模块生成相关特征,进而提高模型的可解释性和检测效果。实验证明该算法优于现有方法,并且能够发现新的可疑行为。
Sep, 2023