[论文解读] 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 4

一句话总结

本文提出了一种无监督机器学习方法，通过基于链上数据提取的网络、资金和时间特征，利用K均值聚类检测NFT市场中的异常交易行为，特别是洗售交易。研究识别出5.38%的NFT交易者可能为洗售交易者，为监管机构和平台提供了数据驱动的框架，以针对性地识别欺诈活动。

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.

研究动机与目标

• 通过数据驱动的方法识别未受监管的NFT市场中的异常交易行为，如洗售交易。
• 从网络、资金和时间维度提取定量特征，以表征交易者行为。
• 应用无监督K均值聚类，基于行为相似性对交易者进行分组，无需标注数据。
• 为监管机构和交易平台提供可操作的洞察，以检测和缓解欺诈活动。
• 为未来关于NFT市场完整性与异常检测的研究奠定基础。

提出的方法

• 从以太坊区块链收集NFT交易活动的链上交易数据。
• 构建三类特征：网络（入度、出度、唯一入/出度）、资金（转账金额、价格波动率）和时间（交易频率、时间间隔）。
• 应用K均值聚类，并采用多种聚类配置以识别不同的行为群体。
• 通过分析不同k值下的稳定分组来验证聚类稳定性，特别是识别出始终被归为一组的异常账户。
• 使用Etherscan手动验证异常账户集群中高度异常账户的身份和行为。
• 通过分析各聚类内的行为模式、交易量和时间动态，评估聚类结果。

实验结果

研究问题

• RQ1 在缺乏标注数据的情况下，哪些行为模式可将洗售交易者与合法NFT交易者区分开？
• RQ2 如何结合网络、资金和时间特征以检测NFT市场中的异常交易行为？
• RQ3 有多少比例的NFT交易者表现出与洗售交易一致的特征？
• RQ4 无监督聚类能否有效将交易者分组为有意义的行为类别，包括潜在的洗售交易者？
• RQ5 监管机构和平台如何利用基于特征的聚类来优先开展监控与执法？

主要发现

• 本研究识别出七类不同的NFT交易者群体，包括收藏家、投机者，以及两组潜在的洗售交易者群体。
• 共13,607个账户（占分析交易者的5.38%）被分类为潜在洗售交易者，依据为高入/出度、频繁的内部转账以及稳定的市场时间特征。
• 七个机构和市场平台账户因极端网络活动（包括高入度、高 out-degree 和高交易量）始终形成一个异常值聚类。
• 第3类中的洗售交易者表现出高转账比率和频繁的组内交易，表明存在协调操纵行为。
• 第5类中的洗售交易者在收藏品成熟阶段表现出高价值买入行为，表明其通过战略性时间安排来虚增感知价值。
• 收藏家（第0类）的特征为高价值、低频次交易，持有周期长，且卖出价格高于平均水平。