[論文レビュー] ERC20 Transactions over Ethereum Blockchain: Network Analysis and Predictions

Shahar Somin, Goren Gordon+3 more|arXiv (Cornell University)|Apr 17, 2020

Complex Network Analysis Techniques参考文献 32被引用数 13

ひとこと要約

本稿では、ERC20取引ネットワークのパワー則指数γを過減衰調和振動子としてモデル化することで、ネットワークダイナミクスの1年先予測を高精度で可能にする手法を提案する。イン-degreeおよびアウト-degree分布の指数を用いることで、RMSEが低く、特にγ^inにおいて信頼性の高い予測が達成される。これは、暗号資産エコシステムにおけるネットワーク構造が、振動的で物理学的インスピレーションを受けるダイナミクスに従うことを示している。

ABSTRACT

Following the birth of Bitcoin and the introduction of the Ethereum ERC20 protocol a decade ago, recent years have witnessed a growing number of cryptographic tokens that are being introduced by researchers, private sector companies and NGOs. The ubiquitous of such Blockchain based cryptocurrencies give birth to a new kind of rising economy, which presents great difficulties to modeling its dynamics using conventional semantic properties. Our work presents the analysis of the dynamical properties of the ERC20 protocol compliant crypto-coins' trading data using a network theory prism. We examine the dynamics of ERC20 based networks over time by analyzing a meta-parameter of the network, the power of its degree distribution. Our analysis demonstrates that this parameter can be modeled as an under-damped harmonic oscillator over time, enabling a year forward of network parameters predictions.

研究の動機と目的

• ネットワーク理論を用いて、ERC20トークン取引ネットワークの時間的ダイナミクスを分析すること。
• インおよびアウト次数分布のパワー則指数γが、予測可能な動的パターンに従うかどうかを調査すること。
• 歴史的なγダイナミクスに基づいて、将来のネットワーク構造を予測するモデルを開発すること。
• モデルの正確性を、1年間のネットワークパラメータの予測において検証すること。

提案手法

• ゼロ平均ガウスノイズを伴う過減衰調和振動子として、次数分布パワー・パラメータγをモデル化すること。
• 2015年6月から2018年6月までの時系列データを用いて、γ^inおよびγ^outの歴史的値にオシレーター・モデルをフィットさせること。
• 観測値と予測値の間の平均二乗誤差（RMSE）を計算し、モデルの正確性を評価すること。
• 90日間のローリング平均および標準偏差を適用して、時間経過に伴うRMSE信号を滑らかにし、安定化させること。
• 各検査日までにフィットされた部分的オシレーター・モデルを用いて、時間経過に伴う予測性能を評価すること。
• 残差解析および予測値と実際のγ軌道の可視的検証を通じて、モデルの適合度を検証すること。

実験結果

リサーチクエスチョン

• RQ1 ERC20ネットワーク次数分布指数の時間的ダイナミクスは、過減衰調和振動子としてモデル化可能か？
• RQ2 オシレーター・モデルは、1年先までのγ^inおよびγ^outの将来値をどの程度正確に予測できるか？
• RQ3 オシレーター・モデルを用いた場合、γ^inとγ^outの相対的な予測性能はどのようになるか？
• RQ4 特にデータの最終1年間において、モデルの誤差と安定性はどのように変化するか？
• RQ5 モデルの予測に体系的なずれ、例えばγ_∞の過剰推定や、γ^outの振動を捉えられない現象は見られるか？

主な発見

• 過減衰オシレーター・モデルは、γ^inのダイナミクスに、残差がゼロを中心に分布する良好な統計的適合を示している。
• γ^inのフィットされたオシレーター・パラメータは、最終的な観測振動の前に対し、早くから安定化しており、頑健性を示している。
• モデルはγ^inをγ^outよりも一貫して低いRMSEで予測しており、特に2017年6月25日以降の最終年間において顕著である。
• γ^inおよびγ^outの両方の予測が、2017年12月以降に類似した低いRMSE値に収束し、7か月間にわたり安定的で低誤差の予測が可能になった。
• RMSEおよびその標準偏差は時間経過とともに減少しており、より多くのデータが利用可能になるにつれて、予測の正確性と信頼性が向上していることを示している。
• モデルはγ_∞を過剰に推定する傾向があり、また実際のγ^outの振動を捉えられていないため、ばねと摩擦のダイナミクスを超える追加の要因がネットワークに影響を与えている可能性を示唆している。