[論文レビュー] Abnormal Trading Detection in the NFT Market

Mingxiao Song, Yangming Liu+2 more|arXiv (Cornell University)|May 25, 2023

Financial Markets and Investment Strategies被引用数 4

ひとこと要約

本稿では、NFT市場における洗い取り取引（wash trading）を含む異常取引行動を特定するため、ブロックチェーンデータから抽出したネットワーク、金銭的、時間的特徴を用いたK-meansクラスタリングを用いた教師なし機械学習手法を提案する。5.38%のNFT取引参加者が洗い取り取引の可能性があると特定され、規制当局やプラットフォームが不正行為を標的化するためのデータ駆動型フレームワークを提供する。

ABSTRACT

The Non-Fungible-Token (NFT) market has experienced explosive growth in recent years. According to DappRadar, the total transaction volume on OpenSea, the largest NFT marketplace, reached 34.7 billion dollars in February 2023. However, the NFT market is mostly unregulated and there are significant concerns about money laundering, fraud and wash trading. The lack of industry-wide regulations, and the fact that amateur traders and retail investors comprise a significant fraction of the NFT market, make this market particularly vulnerable to fraudulent activities. Therefore it is essential to investigate and highlight the relevant risks involved in NFT trading. In this paper, we attempted to uncover common fraudulent behaviors such as wash trading that could mislead other traders. Using market data, we designed quantitative features from the network, monetary, and temporal perspectives that were fed into K-means clustering unsupervised learning algorithm to sort traders into groups. Lastly, we discussed the clustering results' significance and how regulations can reduce undesired behaviors. Our work can potentially help regulators narrow down their search space for bad actors in the market as well as provide insights for amateur traders to protect themselves from unforeseen frauds.

研究の動機と目的

• 規制のないNFT市場における異常取引行動（洗い取り取引を含む）を、データ駆動型手法で特定すること。
• 取引参加者の行動を特徴付けるために、ネットワーク、金銭的、時間的次元から定量的特徴を構築すること。
• ラベルなしデータを用いて、行動の類似性に基づいて取引参加者をグループ化するため、教師なしK-meansクラスタリングを適用すること。
• 規制当局やマーケットプレイスが不正行為を検出・緩和するための実行可能なインサイトを提供すること。
• NFT市場の整合性および異常検出に関する今後の研究の基盤を構築すること。

提案手法

• EthereumブロックチェーンからNFT取引活動のブロックチェーン上での取引データを収集した。
• ネットワーク（イン・ディグリー、アウト・ディグリー、ユニークイン・アウト）、金銭的（送金量、価格ボラティリティ）、時間的（取引頻度、時間間隔）の3種類の特徴を設計した。
• 複数のクラスタ数設定を用いてK-meansクラスタリングを適用し、明確な行動グループを同定した。
• 特に一貫してグループ化される異常アカウントを特定するために、異なるk値におけるクラスタの安定性を分析した。
• Etherscanを用いて、異常アカウントの身元と行動を手動で検証した。
• 各クラスタ内の行動パターン、取引量、時間的ダイナミクスを分析することで、クラスタリング結果を評価した。

実験結果

リサーチクエスチョン

• RQ1 ラベルなしデータの下で、洗い取り取引参加者と正当なNFT取引参加者を区別する行動パターンは何か？
• RQ2 ネットワーク、金銭的、時間的特徴をどのように統合することで、NFT市場における異常取引行動を検出できるか？
• RQ3 NFT取引参加者の何パーセントが洗い取り取引と一致する特徴を示しているか？
• RQ4 教師なしクラスタリングは、洗い取り取引参加者を含む意味のある行動カテゴリに取引参加者を効果的にグループ化できるか？
• RQ5 規制当局やプラットフォームは、特徴に基づくクラスタリングをどのように活用して監視と執行の優先順位をつけることができるか？

主な発見

• 本研究では、コレクター、投機家、および2つの潜在的洗い取り取引参加者グループを含む、7つの明確なNFT取引参加者クラスタを同定した。
• 合計13,607アカウント（分析対象取引参加者の5.38%）が、高いイン・ディグリー／アウト・ディグリー、頻繁な内部送金、安定した市場タイミングの特徴から、洗い取り取引参加者の可能性があると分類された。
• 7つの機関およびマーケットプレイスアカウントが、極端なネットワーク活動（高いイン・ディグリー、アウト・ディグリー、取引量）により、一貫して異常値クラスタを形成した。
• クラス3の洗い取り取引参加者は、高い送金比とグループ内での頻繁な取引を示しており、調整された操作を示唆している。
• クラス5の洗い取り取引参加者は、成熟期のコロケーション段階で高額な購入を示しており、価値の高まりを演出する戦略的タイミングを示唆している。
• コレクター（クラス0）は、高額で低頻度の取引、長期間の保有期間、平均以上に高い売却価格を特徴としている。