从比特币区块链推断短期波动性指标

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Inferring short-term volatility indicators from Bitcoin blockchain》
---
作者：
Nino Antulov-Fantulin and Dijana Tolic and Matija Piskorec and Zhang
  Ce and Irena Vodenska
---
最新提交年份：
2018
---
英文摘要：
  In this paper, we study the possibility of inferring early warning indicators (EWIs) for periods of extreme bitcoin price volatility using features obtained from Bitcoin daily transaction graphs. We infer the low-dimensional representations of transaction graphs in the time period from 2012 to 2017 using Bitcoin blockchain, and demonstrate how these representations can be used to predict extreme price volatility events. Our EWI, which is obtained with a non-negative decomposition, contains more predictive information than those obtained with singular value decomposition or scalar value of the total Bitcoin transaction volume.
---
中文摘要：
在本文中，我们研究了利用从比特币每日交易图中获得的特征来推断比特币价格极端波动时期的预警指标（EWI）的可能性。我们使用比特币区块链推断2012年至2017年期间交易图的低维表示，并演示如何使用这些表示预测极端价格波动事件。通过非负分解获得的EWI比通过奇异值分解或比特币总交易量的标量值获得的EWI包含更多的预测信息。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Computer Science        计算机科学
二级分类：Social and Information Networks        社会和信息网络
分类描述：Covers the design, analysis, and modeling of social and information networks, including their applications for on-line information access, communication, and interaction, and their roles as datasets in the exploration of questions in these and other domains, including connections to the social and biological sciences. Analysis and modeling of such networks includes topics in ACM Subject classes F.2, G.2, G.3, H.2, and I.2; applications in computing include topics in H.3, H.4, and H.5; and applications at the interface of computing and other disciplines include topics in J.1--J.7. Papers on computer communication systems and network protocols (e.g. TCP/IP) are generally a closer fit to the Networking and Internet Architecture (cs.NI) category.
涵盖社会和信息网络的设计、分析和建模，包括它们在联机信息访问、通信和交互方面的应用，以及它们作为数据集在这些领域和其他领域的问题探索中的作用，包括与社会和生物科学的联系。这类网络的分析和建模包括ACM学科类F.2、G.2、G.3、H.2和I.2的主题；计算应用包括H.3、H.4和H.5中的主题；计算和其他学科接口的应用程序包括J.1-J.7中的主题。关于计算机通信系统和网络协议（例如TCP/IP）的论文通常更适合网络和因特网体系结构（CS.NI）类别。
--
一级分类：Physics        物理学
二级分类：Physics and Society        物理学与社会
分类描述：Structure, dynamics and collective behavior of societies and groups (human or otherwise). Quantitative analysis of social networks and other complex networks. Physics and engineering of infrastructure and systems of broad societal impact (e.g., energy grids, transportation networks).
社会和团体（人类或其他）的结构、动态和集体行为。社会网络和其他复杂网络的定量分析。具有广泛社会影响的基础设施和系统（如能源网、运输网络）的物理和工程。
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> Inferring_short-term_volatility_indicators_from_Bitcoin_blockchain.pdf (1.96 MB)

2022-6-10 19:14:55 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：比特币 波动性 Applications Quantitative Presentation

从比特币区块链Nino Antulov Fantulin*、Dijana Tolic*、Matija Piskorec、Zhang Ce、IrenaVodenska*中推断短期波动性指标共享第一作者摘要在本文中，我们研究了使用从比特币每日交易图中获得的特征推断比特币价格极端波动期预警指标（EWI）的可能性。我们使用比特币区块链推断2012年至2017年期间交易图的低维表示，并演示如何使用这些表示预测极端价格波动事件。通过非负分解获得的EWI比通过奇异值分解或比特币总交易量的标量值获得的EWI包含更多的预测信息。1简介区块链作为一种新技术，有可能改变传统的通信、合同和财务管理方式。区块链技术的第一个也是最流行的用途是将其用作数字货币或加密货币，作为比特币协议的一部分【1】。在那里，支付由apeer-to-peer比特币网络进行处理，在该网络中，用户宣布新的交易，并由网络节点进行验证，并记录在区块链（公共分布式账本）中。除了在加密货币中的使用，区块链技术的重要意义在于提供一种记录和存储机密信息的新方法。

它有潜力实现我们今天甚至没有考虑的服务，例如提供支持Nino Antulov Fantulin*计算社会科学，瑞士苏黎世ETH，电子邮件：anino@ethz.chDijanaTolic*和Matija PiskorecLaboratory for Machine Learning and Knowledge Representation，Institute Ruder Boˇskovi\'c，Croatizhang CeSystems Group，ETH，苏黎世，SwitzerlandIrena VodenskaMetropolitan College，Boston University，USA2 Antulov Fantulin，Tolic，Piskorec，Ce，Vodenskaka for Freedoritist’s’s’s way of decision，aid in development of a公允价值，分散的市场，有助于增加发展中国家的金融包容性。区块链可能是未来保障自由主义和维护决策完整性的解决方案之一[2，3]，因为它承诺了更快、更具成本效益的选举投票方法，以及防止操纵和网络攻击。区块链还可以用作新的分散市场的基石，这些市场可以避免定价过高和操纵，因为它们为基于市场现实供需的合同谈判提供了一个场所。区块链可以为发展中国家的低收入或社会排斥人群提供金融部门服务，如贷款、保险、储蓄、签订合同以及发送和接收付款【4】。这只能通过移动互联网接入来实现，这比开发传统的金融基础设施更具成本效益。区块链为我们提供了一个独特的视角，可以了解当今全球化和相互依存的经济和金融系统。研究人员已经使用网络方法来研究如此复杂的动态系统，以揭示重要的系统特征或揭示固有的网络漏洞【5–12】。

这种方法特别适合在比特币网络中进行研究，比特币网络将其用户连接到全球范围，允许他们交换非实物、非监管和分散的金融资产，而无需任何经济等价物或中央银行或主权银行的担保【13,14】。虽然这是一个相对较新的系统，但比特币的不同方面已经得到了广泛的分析，包括价格形成【15-18】、价格波动【19-21】、系统动力学【21-23】、经济价值【24-26】、限制订单动态【19、27】、隐私和安全【28、29】、区块链协议和挖掘过程【30、31】以及许多其他方面。在本文中，我们对以下问题感兴趣：是否有可能从每日比特币交易图中推断出能够预测1-10天内短期极端波动事件的预警指标（EWI）。从区块链数据中提取的交易图包含关于不同比特币地址间资金流动的信息，而没有任何定价数据。市场价格通常由不同的复杂经济和金融效应组合而成【18、24、32、33】。根据最近的一项研究[24]，除了交易所的投机性买卖动态外，虚拟货币的价值还受到购买实物和服务的需求的影响。所有比特币交易都以时间交易图的形式写入区块链，其中节点表示不同的比特币地址，边缘表示基于交易（商品和服务的购买和销售）的资金流。Kondor等人[21]的一项研究表明，截至2014年初，比特币网络结构与市场效应（即比特币价格变化）之间存在一定的相关性。

然而，文献[21]的作者没有测试保留数据的预测能力。这促使我们使用无监督和有监督的机器学习来分析比特币区块链交易图中的模式。我们的方法包括两个主要步骤：（i）构建交易图的低维表示；（ii）学习如何结合低维表示，以便能够预测比特币区块链3极端波动事件的短期波动指标。在第2节中，我们描述了我们使用的区块链数据和方法。第3节和第4节对我们的结果进行了评估和讨论。2数据和方法锁链由一系列事务组成，每个事务都有一定数量的输入和输出。每个输入由当前事务的哈希、前一个事务的哈希、当前输入的公钥、时间戳和其他数据组成。类似地，每个输出都有当前事务的哈希、输出地址的公钥、比特币数量、时间戳和其他数据。通过利用以下事实，可以从区块链中提取用户transactionnetwork：启动具有多个输入的交易需要使用所有输入地址的私钥对其进行签名。这意味着所有这些地址都由我们称之为用户的同一个地址控制。与文献[21，28]类似，我们通过合并属于同一用户的所有地址来处理数百GB的比特币区块链数据。经过处理，我们得到了时间加权的directedtransaction网络，其中节点代表合并过程后的用户。Eachlink（i，j，w，t）表示从源用户i到目标用户jat time t的一个交易事件，其中包含w个比特币。

我们只过滤2017年1月1日之前活跃的长期用户。如果用户参与了至少100个单独的交易，并且在数据集中的第一次和最后一次出现之间经过了至少600天，则他们被视为长期用户。这种过滤为我们提供了114768个长期用户之间超过1.06亿的交易，相当于所有区块链交易量的90%以上。比特币交易网络的时间演化编码在矩阵X中∈ RM×T，其中T表示网络的时间快照数，用M值描述。列xt∈ rm表示第t天的编码时间快照。在边缘编码的情况下，向量xtencodes的第i个位置表示第t天通过第i个边缘交换的比特币数量。在节点编码的情况下，向量xtencodes的第i个位置表示第t天第i个节点从所有其他节点接收的比特币数量。2.1。事务图的低维表示我们使用无监督学习技术创建低维表示xt→ 比特币交易图。我们使用非负矩阵分解（NMF），它特别适合我们的问题，因为它产生了具有明确解释的非负因子-这些因子对应于原始事务图的子网络（可能重叠）。这与其他一些矩阵分解方法形成对比，例如奇异值分解（SVD），它可以产生具有负权重的因子【21】。比特币演化矩阵X可以分解为两个非负矩阵X≈ WH，其中W=[W，…，wk]∈ RMxkconsists of k基向量∈ RM，其中每个对应于事务图的子网。矩阵∈ RKXTT包含事务图的低维表示。

注意，我们根据上下文使用不同的术语：线性代数上下文的基向量、矩阵因式分解上下文的因子和网络上下文的基网络。第t天交易网络的重建是non4 Antulov Fantulin、Tolic、Piskorec、Ce、Vodenskafg。1： 面板A：使用秩k的非负矩阵近似值对比特币交易历史进行低秩重建（边缘编码）。重建量为（| | X | |）- ||十、-WkHk | |）/| | | X | |，当重建误差| | X | |时- ||十、- WkHk | |为零，重建为1。只有10个基本网络，我们就可以重建2010年至2013年期间95%的比特币交易。B组：比特币交易网络快照矩阵的秩估计。当两个连续奇异值之间的比率最小时，通过找到指数来估计排名【36】。估计排名10由红十字符号表示。PanelC：将图形XT分解为基本网络wj的线性非负组合的可视化。每个基础网络wjh都是Hj、t对时间t的贡献。非负基础网络的负线性组合：xt≈k∑j=1Hj，twj。（1） 这意味着每个事务网络可以分解为事务子网络wj的叠加（见图1，面板C），其中每个都有权重Hj，t。我们制定了优化问题，其中我们寻求使重建误差最小化的NMF因子（见图1，面板a-B）。为了处理高维噪声数据和异常值，我们使用稳健的NMF公式：minH，W≥0 | | X- WH | | 2,1，其中| |||2,1指定L2,1矩阵范数。该规范【35】仅针对异常值，定义为：| | X | | 2,1=∑智商∑jXi，j=∑i | | xi | |，其中| |||表示L-2范数。

为了具有稀疏表示，我们还将编码矩阵H上的L2,1范数添加到优化函数：minH，W≥0 | | X- WH | | 2,1+λ| | H | | 2,1。（2） 该优化问题是非凸的，通过采用迭代程序交替固定其中一个矩阵（W，H），然后使用乘法更新规则解决凸问题[34]（见附录）。从比特币区块链推断短期波动性指标52.2。预警指标（EWI）我们将预警指标表示为η（t），并将其建模为事务图低维表示H的线性函数。由于波动率具有非负域，我们将预警指标构建为编码矩阵H中非负元素（特征）的非线性叠加：η（t）=k∑j=1δ∑t=1cj，tHj，ts.t.cj，t≥ 0，（3）其中k表示低维表示的维数，δ表示自动回归顺序，即用于预测的历史天数。在本文的剩余部分，我们将该监督模型（3）称为线性非负回归NMF模型（NMF-NLR）。接下来，我们需要通过这种方式来推断系数J，从而能够预测未来的波动性。2.3. 推理步骤首先，我们描述数据的划分，以训练和保持部分，以及干扰设置。我们根据n个时间点sh<h<…<HNITO不相交伸出段X=[X[h，h]，。。。。，X[hn-1，hn]]这样每个段 几天的时间。现在，对于每个待定段X【hi，hi+1】，我们使用之前的M天X【hi-M、 你好-1] 用于培训。为简单起见，每个训练段X[hi-M、 你好-1] 表示为Tian，其相应的验证段X【hi，hi+1】表示为Vi。

总之，我们有两种不同的数据分区：（i）不相交的保持段X=[V，V，…，Vn]和用于训练X=[T，T，…，Tn]的相应重叠段。每个模型都在Tisegment上进行培训，并在Visegment上进行验证，我们使用 = 保留段为30天，M=5* 培训30天。在训练阶段，对于每个训练段Ti，我们使用非负矩阵分解Ti=WH进行特征提取。矩阵W、H通过求解第2.1节中定义的方程2中的优化问题找到。回想一下，矩阵H中的列是日常事务图的低维表示（特征）。然后，通过最小化第二天EWI和波动率之间的平方差，即（η（t），找到系数cj，皮重- σt+1）。通过使用稀疏非负编码的更新规则，我们推断出正则化非负线性回归的非负系数cj，tf【40】。请注意，训练段TIA的推断系数与基矩阵W相关。如果我们改变基矩阵W，表示H也会改变。因此，对于每个培训段，模型参数为Mi=（W，c）。在验证阶段，对于每个保持段Vi，我们使用之前相邻训练段的对应模型Mi=（W，c）。首先，我们需要提取与学习模型Mi=（W，c）相关联的表示H。表示由以下凸优化问题找到：minH≥0 | | Vi- WH | | 2,1+λ| | H | | 2,1。（4） 6 Antulov Fantulin、Tolic、Piskorec、Ce、VodenskaNote表示，矩阵W是固定的，因此我们仅使用更新规则来查找矩阵H（见附录）。最后，我们使用系数c对方程3中的待定段进行预测。

如果我们想使用推断出的系数，则需要固定一个基矩阵W。3结果我们的最终目标是能够预测短期极端波动性事件，而不是波动率值本身。在第t天，我们希望预测极端事件将发生在未来h天的[t+1，t+1+h]段。在一种特殊情况下，当h=1时，我们对第二天有一个局部预测。从机器学习的角度来看，我们想将未来的片段分为“1”类或“0”类，其中“1”类表示极端进化事件。更正式地说，基于EWIη（t），我们进行预测^β（.）对于段[t+1，t+1+h]为：^β（[t+1，t+1+h]）=（1：η（t）≥ Θ0：否则。(5)3.1. 极端事件定义-价格波动采用GarmannKlass[37]的波动性定义进行衡量。计算公式为σ（t）=（log（Hi/Li））-（2日志2- 1） （log（Ci/Oi）），其中Oi、Hi、Li、Ci代表开盘/高/低/收盘日价格。如果波动水平超过某个阈值α，我们将其视为极端波动事件。我们使用以下阈值水平α={0.05,0.1,0.15,0.2}，这导致在2012年至2017年期间，18%、5%、2.5%和1.6%的事件被标记为极端事件。如果长度为h的时间段至少包含一个极端波动性事件，则视为极端，与它的本地化无关。可以将h看作是未来视野中的局部化参数。基本事实被命名为β（.）未来h天的[t+1，t+1+h]段为：β（[t+1，t+1+h]）=（0：σ（t）<α：t型∈ 【t+1，t+1+h】1：否则（6）简单地说，如果下一个h的日波动率σ（t）总是小于α，我们用标签“0”标记该段。虽然我们的预测任务是分类，但我们在推理步骤中使用了回归，这在机器学习中并不少见[38]。请记住，向量XT表示t天比特币网络动态的快照。