[논문 리뷰] Abnormal Trading Detection in the NFT Market

Mingxiao Song, Yangming Liu외 2명|arXiv (Cornell University)|2023. 05. 25.

Financial Markets and Investment Strategies인용 수 4

한 줄 요약

이 논문은 블록체인 데이터에서 유도된 네트워크, 금융, 시간적 특징을 기반으로 K-means 군집화를 사용하여 NFT 시장에서의 비정상 거래 행동—특히 위장 거래(wash trading)를 탐지하기 위한 비지도 기계학습 접근법을 제안한다. 연구는 NFT 거래자 중 5.38%를 잠재적 위장 거래자로 특정하였으며, 이는 규제 기관과 플랫폼이 사기 행위를 타겟팅하기 위한 데이터 기반 프레임워크를 제공한다.

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.

연구 동기 및 목표

• 비규제적 NFT 시장에서 라벨이 없는 데이터 기반 방법을 사용해 비정상 거래 행동, 예를 들어 위장 거래를 식별하기 위해.
• 거래자 행동을 특성화하기 위해 네트워크, 금융, 시간적 차원에서 정량적 특징을 개발하기 위해.
• 라벨이 없는 데이터를 기반으로 행동 유사성에 따라 거래자를 군집화하기 위해 비지도 K-means 군집화를 적용하기 위해.
• 규제 기관과 마켓플레이스가 사기 행위를 탐지하고 완화하기 위해 실질적인 통찰을 제공하기 위해.
• NFT 시장의 신뢰성 및 이상 탐지에 대한未래 연구의 기반을 마련하기 위해.

제안 방법

• 이더리움 블록체인에서 NFT 거래 활동에 대한 블록체인 거래 데이터를 수집하였다.
• 네트워크(인도수, 출도수, 고유 인도/출도수), 금융(이체 금액, 가격 변동성), 시간적(거래 빈도, 시간 간격) 특징의 세 가지 유형의 특징을 설계하였다.
• 다양한 군집 구성 조건을 적용하여 고유한 행동 그룹을 식별하기 위해 K-means 군집화를 적용하였다.
• 특히 일관되게 군집화된 이질적 계정을 식별하기 위해 다양한 k값에서 군집의 안정성을 분석함으로써 군집 안정성을 검증하였다.
• Etherscan를 사용하여 이질적 군집 내에서 매우 이례적인 행동을 보이는 계정의 신원과 행동을 수동으로 확인하였다.
• 각 군집 내 행동 패턴, 거래량, 시간 동적 특성을 분석함으로써 군집 결과를 평가하였다.

실험 결과

연구 질문

• RQ1 라벨이 없는 조건에서 위장 거래자와 합법적 NFT 거래자를 구분하는 행동 패턴은 무엇인가?
• RQ2 네트워크, 금융, 시간적 특징을 어떻게 조합하여 NFT 시장에서의 비정상 거래 행동을 탐지할 수 있는가?
• RQ3 NFT 거래자 중 비정상 거래 행동을 보이는 비율은 얼마인가?
• RQ4 비지도 군집화가 거래자를 의미 있는 행동 유형으로 효과적으로 군집화할 수 있는가, 특히 잠재적 위장 거래자 포함?
• RQ5 규제 기관과 플랫폼은 특징 기반 군집화를 어떻게 활용하여 모니터링 및 집행 우선순위를 설정할 수 있는가?

주요 결과

• 연구는 수집자, 투기자, 그리고 두 개의 잠재적 위장 거래자 그룹을 포함한 일곱 개의 고유한 NFT 거래자 군집을 식별하였다.
• 총 13,607개의 계정—분석된 거래자 중 5.38%—는 높은 인도/출도수, 빈번한 내부 이체, 안정된 시장 타이밍 등의 특징으로 인해 잠재적 위장 거래자로 분류되었다.
• 일곱 개의 기관 및 마켓플레이스 계정은 극도로 높은 네트워크 활동(높은 인도수, 출도수, 거래량)으로 인해 일관되게 이질적 군집을 형성하였다.
• 클래스 3의 위장 거래자들은 높은 이체 비율과 빈번한 내부 그룹 간 거래를 보이며 조작된 행동을 나타내었다.
• 클래스 5의 위장 거래자들은 성숙한 컬렉션 단계에서 고액 매수를 통해 시장 가치를 과대평가하는 전략적 타이밍을 보였다.
• 수집자(클래스 0)는 높은 가치의 저빈도 거래, 장기간 보유 기간, 평균 이상의 매도 가격으로 특징지어졌다.