Семинары лаборатории

Фиктивная торговля (wash trading) остается серьезной проблемой на децентрализованных биржах, особенно в высокоспекулятивных сегментах, таких как мемкойны, где искусственная торговая активность искажает показатели ликвидности и ценообразования. В отличие от традиционных финансовых рынков и централизованных бирж с лимитными ордерами, автоматизированные маркет-мейкеры (AMM) основаны на особых механизмах, требующих специализированных методов выявления манипуляций.

В данном исследовании предлагается комплексный подход к выявлению фиктивной торговли на Uniswap v2 с применением графового анализа, позволяющего адаптировать существующие методики детекции к среде AMM.
Мы собрали уникальный датасет с историческими рыночными данными по торговле мемкойнами и разработали несколько методов выявления фиктивных сделок: (1) эвристический метод, основанный на подходах из традиционных финансов, и (2) два графовых метода, моделирующих взаимодействие трейдеров в виде ориентированных графов для идентификации циклов фиктивной торговли. Ключевые графовые признаки, такие как цикличность транзакций и кластеризация адресов, используются для повышения точности детекции.

Оценка предложенных методов показывает, что графовые подходы превосходят классические техники в выявлении фиктивной торговли на AMM-биржах. Наш анализ позволяет количественно оценить объемы фиктивной торговли в пулах и продемонстрировать ее влияние на ликвидность и формирование цен. Данное исследование вносит вклад в развитие ончейн-аналитики финансовых манипуляций, предлагая масштабируемую, основанную на данных методологию, адаптированную к манипуляциям в среде AMM. Результаты работы представляют ценность для регуляторов, разработчиков и пользователей децентрализованных бирж.

На семинаре были рассмотрены белый, красный и зеленый шумы в финансовых временных рядах и их влияние на обнаружение точек перехода. Также были вынесены на обсуждение стохастические модели, включая процесс Орнштейна–Уленбека, и методы численного анализа, такие как усреднение Крылова–Боголюбова. Особое внимание уделили зеленому шуму и его роли в необратимых переходах между состояниями системы.

Помимо этого, рассмотрели алгоритмы обнаружения точек перехода (PELT) и машинное обучение (LSTM, CatBoost) для классификации состояний временных рядов, и подчеркнули значимость выбора модели шума для повышения эффективности прогнозирования и управления рисками.

The article "Market efficiency, informational asymmetry and pseudo-collusion of adaptively learning agents" was presented and discussed at the seminar. Abstract: We examine the dynamics of informational efficiency in a market with asymmetrically informed, boundedly rational traders who adaptively learn optimal strategies using simple multiarmed bandit (MAB) algorithms. The strategies available to the traders have two dimensions: on the one hand, the traders must endogenously choose whether to acquire a costly information signal, on the other, they must determine how aggressively they trade by choosing the share of their wealth to be invested in the risky asset. Our study contributes to two strands of literature: the literature comparing the effects of competitive and strategic behavior on asset price efficiency under costly information as well as the actively growing literature on algorithmic pseudo-collusion in financial markets. We find that for certain market environments our results contradict the predictions of Kyle [1989] in that a market with strategically acting traders can be more efficient than a purely competitive one. Furthermore, we obtain novel results on the ability of independently learning traders to coordinate on a pseudo-collusive behavior, leading to non-competitive pricing. Contrary to some recent contributions (see e.g. [Cartea et al. 2022]), we find that the pseudo-collusive behavior in our model is robust to a large number of agents, demonstrating that even in the setting of financial markets with a large number of independently learning traders non-competitive pricing and pseudo-collusive behavior can frequently arise. 

Финансовые рынки часто подвергаются различным формам манипуляций, в том числе pump-and-dump схемам, которые приводят к значительной волатильности цен и финансовым потерям для инвесторов. В предыдущих исследованиях на тему криптовалютных рынков  использовались методы машинного обучения для раннего выявления целей манипуляций. Однако эти методы имели серьезные ограничения из-за дисбалансов в исторических данных. Чтобы решить эти проблемы, мы предлагаем новый фреймворк для обнаружения целей манипуляций, включающий двухэтапную нормализацию данных, специфичную оптимизацию алгоритмов и новые микроструктурированные признаки. На семинаре было рассмотрено несколько подходов на основе градиентного бустинга, включая оптимизацию гиперпараметров с учетом несбалансированности классов и алгоритмы ранжирования. Результаты предложенных алгоритмов превосходят существующие методы, достигая точности 5% в топ-1 и 45% точности в топ-10 на тестовой выборке с сильным дисбалансом классов (дисбаланс классов составляет примерно 270).

На семинаре была представлена исследовательская работа, целью которой являлся анализ точек разрыва в стохастических моделях процентной ставки под воздействием цветных шумов. Исследовалось влияние цветных шумов на количество точек разрыва и их частоту, а также возможности их обнаружения с использованием нейросетевого подхода. Объектом исследования являлась стохастическая модель Васичека, которая используется для моделирования процентных ставок. Методология исследования включала в себя аппроксимацию численных решений модели методом Эйлера-Маруямы, калибровка параметров модели, а также адаптацию шага интеграции. Отдельно были рассмотрены методы обнаружения точек разрыва и их применение для сгенерированных данных. В качестве итога исследования представлены результаты работы моделей глубинного обучения для детекции точек разрыва в данных, сгенерированных под воздействием шумов.

На семинаре была представлена исследовательская работа, целью которой являлся анализ точек разрыва в стохастических моделях процентной ставки под воздействием цветных шумов. Исследовалось влияние цветных шумов на количество точек разрыва и их частоту, а также возможности их обнаружения с использованием нейросетевого подхода. Объектом исследования являлась стохастическая модель Васичека, которая используется для моделирования процентных ставок. Методология исследования включала в себя аппроксимацию численных решений модели методом Эйлера-Маруямы, калибровка параметров модели, а также адаптацию шага интеграции. Отдельно были рассмотрены методы обнаружения точек разрыва и их применение для сгенерированных данных. В качестве итога исследования представлены результаты работы моделей глубинного обучения для детекции точек разрыва в данных, сгенерированных под воздействием шумов.