[论文解读] The Anatomy of a Cryptocurrency Pump-and-Dump Scheme

Jiahua Xu, Benjamin Livshits|arXiv (Cornell University)|Nov 25, 2018

Blockchain Technology Applications and Security参考文献 9被引用 16

一句话总结

本文利用2018年6月至2019年2月期间来自Telegram群组的412起事件数据，研究了加密货币市场中的拉高出货（pump-and-dump）行为。研究提出一种基于事前市场特征的机器学习模型，能够以AUC > 0.9的准确率预测目标代币，从而实现11周内最高达60%的收益率，展示了市场操纵的普遍性以及检测与策略性利用的可行性。

ABSTRACT

While pump-and-dump schemes have attracted the attention of cryptocurrency observers and regulators alike, this paper represents the first detailed empirical query of pump-and-dump activities in cryptocurrency markets. We present a case study of a recent pump-and-dump event, investigate 412 pump-and-dump activities organized in Telegram channels from June 17, 2018 to February 26, 2019, and discover patterns in crypto-markets associated with pump-and-dump schemes. We then build a model that predicts the pump likelihood of all coins listed in a crypto-exchange prior to a pump. The model exhibits high precision as well as robustness, and can be used to create a simple, yet very effective trading strategy, which we empirically demonstrate can generate a return as high as 60% on small retail investments within a span of two and half months. The study provides a proof of concept for strategic crypto-trading and sheds light on the application of machine learning for crime detection.

研究动机与目标

• 使用真实世界数据，实证研究加密货币市场中拉高出货行为的结构与频率。
• 识别在拉高事件发生前可预测目标代币的市场特征。
• 开发一种能够基于高精度事前数据预测拉高可能性的机器学习模型。
• 在现实约束条件下，评估基于预测模型的盈利交易策略的可行性。
• 提高对市场操纵的认识，并为监管科技提供检测此类滥用行为的依据。

提出的方法

• 本研究收集并分析了300多个Telegram群组在2018年6月17日至2019年2月26日期间组织的拉高出货事件的消息历史。
• 构建了涵盖四个加密货币交易所的412起拉高事件数据集，提取了包括价格变动、交易量和波动率在内的事前市场特征。
• 使用经过平衡的随机森林模型，基于这些特征训练以预测某只代币被拉高的可能性，并通过交叉验证进行超参数调优。
• 采用ROC-AUC进行模型评估，在样本内和样本外测试中均取得超过0.9的AUC值。
• 设计了一种简单交易策略：在拉高前买入预测代币，并在价格达到峰值后卖出，采用固定的风险收益阈值。
• 在11周内对策略进行历史回测，结果显示即使在小规模零售投资下，也能实现持续高达60%的收益率。

实验结果

研究问题

• RQ1 拉高出货行为在加密货币市场中有多普遍？其结构特征是什么？
• RQ2 在拉高事件发生前，哪些市场特征可用来预测目标代币？
• RQ3 仅使用事前市场数据，机器学习模型能否准确预测拉高可能性？
• RQ4 基于此类预测的交易策略可能带来多大的财务回报？
• RQ5 交易所和像Telegram这样的社交平台在多大程度上参与或助长了这些行为？

主要发现

• 拉高出货行为极为普遍，约有100个组织化的Telegram群组每日平均协调两次拉高，每月制造约600万美元的人工交易量。
• 预测模型在样本内和样本外数据上的AUC均超过0.9，表明其具备强大的泛化能力与预测性能。
• 拉高事件发生前的市场走势中隐藏着可被利用的信息，可被高精度地用于预测目标代币。
• 基于预测模型的简单交易策略在11周内实现高达60%的累计收益率，即使在保守假设下也表现稳健。
• 部分交易所（如Yobit）直接参与拉高出货行为，通过在价格被推高后持有并抛售获利。
• 本研究证明，即使是基础的机器学习模型也能有效检测并利用市场操纵行为，凸显了开发更先进监管监控工具的必要性。