非常规交换：虚拟货币的统计分析方法

这可以最简单地描述为识别时间序列中存在的任何非随机行为的测试（单位根），通常可用于识别市场数据定价/交易中的异常。如果适用，应在趋势分析转换后对每个指数进行测试。这些将突出每个系列中的任何异常行为，当与规则图结合使用时，可能会突出进一步的调查途径。必须承认，平稳性/单位根检验只是处理时间序列的一种方法，有关方法的可访问摘要，请参阅Chat field的工作【17】。存在的方法比这项工作中描述的要多得多，其中一些可能很有趣，可以简单地描述为进一步工作的潜在途径。上述方法代表了最适用于现有表的方法、所需数据和分析目的。方法输入目的所有系列的二元图描述性统计提供虚拟经济中价格行为的高水平概述四分位价格指数所有系列数据分为四组每个富裕阶层的球员的“生活成本”括号前100名价格指数系列前100名最具等级项目的数据评估大多数人群的“生活成本”变化Items Stationarity Tests Quartile and Top 100 price Index x Returns（四分位价格指数和前100名价格指数回归）可识别上述任何虚拟经济体中的任何异常行为，以及最直观的解释（见表一）。

其他更复杂的方法包括相关矩阵分析[18]，可用于确定货物之间时间波动的相似性；结构方程建模，旨在根据一些噪声/自相关[19]正式表示序列；谱分析，旨在将序列分解为频域中的组成部分/振荡[20]。这些方法中的每一种都可以在这些方法的基础上使用，以便对游戏中的力学有更深入的理解。我们现在开始讨论所进行实验的实施细节以及用于再现性的工具。D、 实验细节从API调用中收集的数据以JSON的形式到达，然后根据Python中的PandaModule结构将其解析为数据帧。存储数据帧后，将删除显示在持续时间内没有移动的任何序列，然后计算描述性统计数据。使用这些统计数据，然后将集合进一步定义为指数，具体为上文讨论的四分位数指数。这里创建并应用了绘图和统计测试，到目前为止，整个过程在笔记本电脑级硬件上只需不到一分钟的时间。整个数据可以轻松地在内存中加载和分析，更大的数据集涉及更多粒度的临时测量将占用更多内存，但应该可以在相当先进的硬件上实现。在计算完整的分析结果之前，可以观察到需要很少分析工作的初步结果。对这些结果的观察将我们带到他们关于我们的工作示例的讨论。五、

初步结果原始数据中有几个发现特别有趣，不需要复杂的分析。其中包括：交易量最大的项目是火符文，过去6个月交易额超过250亿英镑，实际价值166250英镑并非交易所所有项目的价值都发生了变化，其中109项在过去180天内没有变动交易的最昂贵物品是维图尔大镰刀，每把售价约1862.00英镑。这些见解可在虚拟世界本身的背景下构建进一步的分析框架，并可作为健全性检查的最新发现。它们也可能被用来为玩家体验方面的设计决策提供信息，在这种情况下，火符文是否会像通用电气一样以其他物品为代价主导游戏？这些问题的答案可能仅从交易数据中提取出来，而无需征求玩家的意见或其他昂贵的侵入性方法。六、 结果图。图1和图2显示了3358种感兴趣的虚拟商品的双变量图。图1显示了商品集中度略微拉长，日均百分比变化为零，价格对数为7。这告诉我们，虚拟经济中的大多数商品并没有以惊人的速度增值或贬值，也没有任何区域的商品违反这一规范（虚拟商品存在单一的主导集中）。从热图的圆形图中，我们可以看到，大约有一样多的虚拟商品在增值，也有同样多的虚拟商品在贬值，而且它们的价值分布也是有规律的。这些发现可以通过表示每个轴的平均值的线来证实，尽管它们与集群中心不对齐表明存在一些高值且正在增长的异常值。

可以推测，这是高水平项目经济新增加的结果。此图中的意外结果可能是存在多个峰值、不均匀形状和任何其他不规则异常。图2显示了一个类似的风格图，它显示了虚拟商品相对于其平均每日百分比变化的波动性。在x轴上，这个围绕零的单一浓度可以再次解释为项目价值的增加和减少的平衡，此外，它们运动的波动性也大致相等。集群形状没有倾斜意味着goods0.0 2.5 5.0 7.5 10.0 12.5 15.0 17.5 20.0对数虚拟价格（ln（v））1.00.50.00.51.01.5日平均百分比变化，pFig。1、过去180个交易日内价值发生变化的所有商品的日平均变化与对数虚拟价格的热柱状图。红色区域表示点的密度增加，深蓝色表示区域中的点较少。应用高斯模糊，sigma=8，bins=1000，虚线显示平均轴值。1.0 0.5 0.0 0.5 1.0 1.5 2.0日均百分比变化，p0.00.10.20.30.40.50.6变异系数，cFig。2、在过去180个交易日内价值发生变化的所有商品的每日平均百分比变化的变化系数热柱状图。红色区域表示点的密度增加，深蓝色区域表示区域中的点较少。应用高斯模糊，sigma=8，bins=1000，虚线显示平均轴值。0 20 40 60 80 100物品等级，N0123交易量，Q1E10图。3.

前100个最具交易量项目中每个项目的六个月交易量。通常在零增长的每一侧表现相同，此图上的不平衡迹象可能表现为倾斜聚集或多个峰值，如前一图所示。还可以绘制前100名交易商品的交易量数据，以便直观地查看商品在其交易量方面的分布情况。图3以原始形式显示了该数据，呈现了帕累托式分布，前20个项目的数量异常高。我们发现，前20个项目占前100名数据中项目交易总量的69.7%。我们可以推测，如果剩余的3258个交易量占到一定比例，这一比例可能会更高。使用公式1，我们发现前20个交易量最大的项目（使用平均价格乘以总交易量计算）的实际价值约为2150万英镑，前100个项目总计6560万英镑，令人印象深刻。这一发现表明，大多数交易项目的真实价值分布与交易数量分布不匹配。这意味着项目交易历史的真实价值在其分析意义中起着关键作用，并且从设计角度来看，应在微观层面上检查此类差异，以确保此类高交易项目与其在参与者基础上的分布相平衡。这种差异不分布的确切原因尚不清楚，但代表了未来工作的一个有趣领域。随着宏观发现的提出，我们开始构建指数。在这种情况下，四分位指数被用作最直观的解释。图4显示了原始形式的每个指数，上四分位为红色，下四分位为蓝色。

与双变量图一样，它们看起来相当标准，没有明显的季节效应，尽管两个中四分位图都显示出轻微的上升趋势。价格指数允许我们确定经济各部分的通货膨胀率，这种计算只是起点和终点之间的差值除以终点。这给出了表II中所示的美国通货膨胀率，该比率已换算为百分比。很明显，指数之间的波动率在大小和方向上都不同，平均值为2.85%，中上四分位的增长率是该组中最大的。这对那些负责维护该市场稳定的人来说是直接利益所在，因为这可能会反映出有关添加新项目或从这些四分位数中删除现有项目的设计决策。因为这些数据是我们发现的收集数据的持续时间≈上中四分位数每六个月浮动12%。该值可与特定时间段内的50%进行比较，通常用于定义过度膨胀【21】。因此，与现实世界经济相比，该价值较高，但不构成过度通货膨胀，但应密切监控，因为虚拟经济体持续的高通货膨胀期可能会对新（或更高）参与者在该价格区间内进行购买的能力产生负面影响。这反过来可能会影响玩家参与微交易和其他开发商收入流的动机，尽管量化这仍然是未来工作的一个领域。0.951.001.051e7a）上四分位指数450050005500虚拟价格，c b）上中四分位指数580600620c）下中四分位指数180 160 120 100 60 40 20 0时间（天），t67.570.0d）下四分位指数xfig。4、每四分位的价格指数，红色为上中位，绿色为上中位，橙色为下中位，蓝色为下中位。

请注意，虚拟价格降低了10，1e7标度仅适用于上四分之一轴标度。其余指数显示了随机过程的典型视觉特性，这意味着市场通常可以被描述为正常运作，没有统计上可察觉的邪恶行为，这些行为可能表现为艺术价格上涨或长期固定价值。图5显示了图4所示每个指数的第一个差异回报。与价格指数一样，它们之间存在细微差异，特别是中上收益的相对平稳性。如前一节所述，这种差异可以使用增强Dickey-Fuller检验进行量化，其结果可以在表II的第二列和第三列中找到。价格指数收益率的平稳性检验结果大多是决定性的，在所有情况下都无法在5%的水平上推翻单位根无效假设，在三种情况下无法在1%的水平上推翻单位根无效假设。如果服用纳龙，这一结果可能会引起关注，特别是考虑到中上四分位的行为差异。然而，我们必须指出，这些指数的构建是基于任意区间的，因此，在更广泛的背景下，这一结果没有引起任何警觉，尽管进一步的调查可能会取得成果。最后，图6显示了按交易量加权的前100个交易量最大的项目的指数以及差价系列。表II分别显示了膨胀率和平稳性测试结果。通用电气加权前100指数似乎没有季节性趋势、奇怪的行为或其他意想不到的视觉特征。这一点由p值为0.007的增强Dickey-Fuller检验统计量的结果证实，该统计量导致未能在1%的水平上拒绝无效假设。

前100名指数的波动率为9.81%，比分位数指数的平均值高出三倍，这证实了关于价格指数结构的初步讨论，即交易量是分析结果中的一个重要因素。2021e5a）上四分位数回报50050每个指数的每日回报，r b）上中四分位数回报202c）下中四分位数回报180 160 140 120 100 60 40 40 40 20天，t0.250.000.25d）下四分位数回报。5、按照图4所示的相同颜色方案和比例调整，每个分位数指数的每日虚拟价格回报率，这里的1e5比例仅适用于上四分位y轴。450475500虚拟价格，c180 160 140 120 100 80 60 40 20 0天时间，t505c，dFig。6、使用前100个交易最多的项目和第一个差异系列构建的加权指数，使用各自的交易量进行加权。两个y轴都缩小了10倍。在本文提出的所有指数中，图6中排名前100位的项目被认为最接近全球加权指数的“真实”值。加权和非加权贸易量之间的差异对指数的适用性有显著影响，但对分析结果影响不大。表II一阶差分指数测试结果和通货膨胀率。指数四分位数ADF t值p值波动（%）下限-6.332<0.001-0.18中下限-4.781 0.046 4.91中上限-2.891<0.001 11.97中上限-6.082<0.001-5.30中上限100-3 0.563 0.007 9.81VII。讨论与结论本分析中给出的双变量图显示了基于直观解释的健康经济，考虑到旧式逃逸伦理中经济的年龄和相对稳定性是可以预期的。

变异系数和日均百分比变化都被证明是确定虚拟经济高水平金融状态的有用工具，每一种工具都提供了对感兴趣问题的具体见解。即“该体系中的商品相对于其长期增长的波动性有多大？”，以及“这个体系中的商品价值相对于其价格的稳定性如何？”。这两个问题都对他们所关注的虚拟经济的设计和平衡产生了重大影响，新水龙头和排水管的实施是解决这些问题的核心。这里构建的价格指数只显示了开发商可以洞察其虚拟经济功能的一种方式，但事实证明，它对于估算通货膨胀和检测健康行为或非标准效应非常有用。还讨论了其他更复杂的分析方法，并指出了进一步工作的领域。选择用来展示这些方法的数据集碰巧是一个相对稳定且运行良好的虚拟经济，特别是考虑到活跃参与者的数量和交易量。虽然本文没有讨论使用这些技术发现的监管影响，但它们在分析虚拟经济的更广泛文献中起着关键作用，如本文所示，具体的交易量计算代表了6000多万英镑的无监管、无税交易。本文介绍了从旧学校运营的EscapeGrand交易所收集的数据，并应用了与非虚拟世界金融商品类似的分析方法。已经简要介绍和解释了几种方法，为在虚拟世界中继续探索奠定了坚实的基础。交易量数据的使用已被列入前100名虚拟商品，需要进行更完整的分析。

然而，尽可能完整地利用可用数据创建了一幅图片。Findings直接适用于游戏开发人员，深入了解设计选择对游戏内经济稳定性的影响，更广泛地说，它适用于跨数字平台的虚拟经济。八、批判与进一步工作此处提供的数据分析未能捕获所有交易商品的数量，因此创建的指数只能作为现实世界中更常用的加权指数的粗略近似值。这意味着，尽管我们可能无法获得该分析的“真实”结果，但所使用的方法将与此处提供的方法相同，并且可以由访问所需数据的人员执行。结构方程模型也可能适用于TOP 100分布，量化指数关系，尽管虚拟商品贸易本身的征税仍然是一个公开的辩论。例如，可以提供更有用的指标来比较后续经济体。本文的进一步工作可能会通过多个不同学科的视角，走多条路线。纯粹经济学家可能会继续严格应用前几节中概述的模型，以加深我们对真实经济和虚拟经济之间差异的理解。人机交互研究人员可能会继续研究虚拟经济财富对玩家满意度和微交易参与的作用。面向计算的研究人员可能会选择扩展此类系统的设计，以自动解释此处讨论的问题类型。每一条大道都提供了一个令人兴奋的、潜在的有利可图的工作领域，其应用遍及整个数字娱乐行业。参考文献【1】P.C.Earle，“虚拟魏玛：电子游戏世界中的极度膨胀”，在线，2013年。[2] V.Lehdonvirta和E。