طرح ریزی قیمت XRP با همبستگی طیف تانسور شبکه های معامله

رمزنگاری ها در دوره اقتصاد دیجیتال ضروری می شوند. XRP یکی از رمزنگاری های بزرگ بازار است. در اینجا ، ما یک روش جدید از طیف تانسور همبستگی برای شبکه های دینامیکی XRP ایجاد می کنیم ، که می تواند نشانه ای اولیه برای قیمت XRP فراهم کند. یک شبکه معاملات هفتگی با وزن گیری شده در بین کیف پول XRP با جمع کردن کلیه معاملات به مدت یک هفته ساخته می شود. سپس یک بردار برای هر گره با تعبیه شبکه هفتگی در فضای وکتور مداوم بدست می آید. از مجموعه عکسهای هفتگی بردارهای گره ، ما یک تانسور همبستگی ایجاد می کنیم. تجزیه ارزش مفرد دوتایی از تانسرهای همبستگی ، مقادیر مفرد خود را می بخشد. اهمیت مقادیر مفرد با مقایسه با همتای تصادفی آن نشان داده شده است. تکامل ارزشهای مفرد یک رفتار متمایز را نشان می دهد. بزرگترین ارزش مفرد همبستگی منفی قابل توجهی با قیمت XRP/USD نشان می دهد. ما حداقل بزرگترین مقادیر مفرد را در اوج قیمت XRP/USD در هفته اول ژانویه 2018 مشاهده می کنیم. حداقل بزرگترین ارزش مفرد در ژانویه 2018 با تجزیه همبستگی تانسور در سیگنال و اجزای سر و صدا و همچنین توسطتکامل ساختار جامعه.

معرفی

Cryptoassets ارزش را نشان می دهد که می تواند به صورت دیجیتالی منتقل ، ذخیره یا تجارت کند. از رمزنگاری برای محافظت از داده ها و توزیع فناوری Ledger برای ضبط معاملات استفاده می کند. یک فناوری blockchain ، که نوعی دفترچه دیجیتالی ایمن است ، برای ذخیره سوابق معاملات رمزنگاری استفاده می شود. به تازگی ، رمزنگاری ها به عنوان یک سرمایه گذاری بسیار محبوب بوده اند ، اما قیمت Cryptoasset بسیار بی ثبات و غیرقابل پیش بینی است. Cryptomarket نوسانات شدید قیمت را از سال 2017 ، دسامبر تا 2018 ، ژانویه تجربه کرد. وجود حباب ها یعنی رفتار قیمت انفجاری در این دارایی مورد توجه محققان قرار گرفته است. در حال حاضر ، رمزنگاری های زیادی وجود دارد. برخی از آنها مشهور بیت کوین (BTC) ، اتریوم (ETH) و XRP است. برای یک دهه گذشته ، تئوری شبکه پیچیده به طور گسترده ای برای تجزیه و تحلیل داده های معامله cryptoasset استفاده شده است. در میان رمزنگاری ها ، شبکه های معاملات BTC و ETH به طور گسترده مورد مطالعه قرار گرفته است ، که شامل خواص ساختاری مختلف 2،3 ، تکامل موقتی 2،4،5،6 و اثر بازار 7،8،9 از این شبکه ها است. در مقابل ، معاملات XRP کمتر مورد بررسی قرار گرفته است. Ripple Labs Inc. XRP را به عنوان cryptocurrency بومی برای شبکه Ripple ایجاد کرد ، که برای ارائه معاملات مالی سریع ، کارآمد و مقرون به صرفه طراحی شده است. شبکه Ripple برای تسویه ناخالص در زمان واقعی معاملات مالی ، مبادله ارز و حواله های مرزی استفاده می شود. هدف شبکه موج دار فراهم کردن یک سیستم لجر پایدار و غیرمتمرکز است که می تواند برای تسهیل معاملات مرزی به روشی کارآمدتر و مقرون به صرفه تر استفاده شود. XRP به عنوان یک ارز پل در شبکه استفاده می شود و به تسهیل نقل و انتقالات مرزی و تأمین نقدینگی به سیستم کمک می کند. مورنو-سانچز و همکاران. شکل گیری جامعه و خصوصیات خوشه بندی برای شبکه Ripple 10 کشف نشده است. Y. Ikeda خواص ساختاری شبکه تراکنش XRP را مورد مطالعه قرار داد ، که شامل ماهیت دم سنگین توزیع استحکام گره ، ارزش کم ضریب خوشه بندی و نقوش مثلثی قابل توجه 11 است. اخیراً ، نقش فعال ترین گره ها با توجه به جریان های خروجی و ورودی برای مدت زمان از جمله دوره حباب/تصادف برای شبکه های معامله BTC و XRP 12 اندازه گیری شده است.

هرگونه وابستگی آماری بین یک جفت متغیر را می توان با همبستگی متقاطع که پیش بینی کننده و برای داده های تجربی است ، مورد بررسی قرار داد. می توان آن را به روش های مختلف اندازه گیری کرد: یکی از روشهای ساده و شناخته شده همبستگی پیرسون است که نشان دهنده وابستگی خطی بین متغیرها است و برای یک جفت متغیرهای x و y با مشاهدات n به عنوان تعریف می شود ( rho = sum_^n (x_i-<overline>) (y_i-<overline>)/((n-1) sigma _x sigma _y) ). اینجا (<overline>, <overline>) ، و ( sigma _x ، sigma _y ) میانگین و انحراف استاندارد x و y را نشان می دهد. روش همبستگی متقابل مسلح به نظریه ماتریس تصادفی (RMT) بیشتر برای داده های سری زمانی اعمال می شود. هدف از این روش ، تجزیه و تحلیل داده های ابعادی بالا برای یافتن عوامل کلیدی برای پویایی جمعی بسیاری از مقادیر است. به عنوان مثال ، از آن برای مطالعه بازده روزانه سهام مختلف 13،14،15 و نرخ ارز 16،17 ، داده های کلان اقتصادی ماهانه 18 یا داده های مختلف پزشکی مانند الکتروانسفالوگرام ، ضبط داده های مغناطیسفالوگرافی استفاده می شود. همچنین ، Kondor و همکاران. تجزیه و تحلیل مؤلفه اصلی کاربردی در مورد ماتریس های به دست آمده از عکس های روزانه شبکه برای نشان دادن رابطه بین قیمت بیت کوین با تغییرات ساختاری در شبکه معامله 20. استفاده از همبستگی متقاطع در داده های بازار سهام ، رابطه بین تغییرات قیمت سهام و نقدینگی یا تجارت حجم 21 را نشان می دهد. توجه داشته باشید که اینها مجموعه زمانی متغیرهایی هستند که به دلیل تعامل موجودات مختلف سیستم پدیدار می شوند. در بیشتر موارد ، ما فاقد اطلاعات دقیق در مورد تعامل در سطح خرد هستیم. به عنوان مثال ، ما اطلاعات مفصلی در مورد تعامل بین افراد در بورس سهام نداریم.

در مورد XRP، ما اطلاعات تمام تراکنش های بین کیف پول ها را می دانیم. با استفاده از این داده های سطح میکرو با کیفیت بالا، ما یک روش تانسور همبستگی متقاطع را توسعه می دهیم که می تواند در شبکه های تراکنش پویا XRP اعمال شود. روش ما ویژگی های ساختاری شبکه های XRP را به قیمت XRP/USD مرتبط می کند. برای محاسبه تانسور همبستگی، گره های شبکه ها با استفاده از تکنیک های تعبیه شبکه به بردار تبدیل می شوند 22،23. ما از تکنیک تعبیه DeepWalk 22 استفاده می کنیم که از مجموعه ای از پیاده روی تصادفی کوتاه شده برای یادگیری ویژگی های پنهان استفاده می کند. ویژگی های نهفته اطلاعات محله و عضویت جامعه گره ها را ضبط می کنند. با استفاده از یک شبکه به عنوان ورودی، الگوریتم یک نمایش نهفته در فضای برداری پیوسته به عنوان خروجی ارائه می دهد. یک تعمیم از الگوریتم DeepWalk node2vec 23 است که از پیاده روی های تصادفی مغرضانه برای یادگیری ویژگی هایی استفاده می کند که روابط پیچیده تر گره ها را رمزگذاری می کنند، مانند روابط عملکردی. با استفاده از نمایش برداری برای زیر مجموعه ای از گره های موجود در هر شبکه تراکنش هفتگی XRP، ما تانسورهای همبستگی را برای دوره های زمانی مختلف محاسبه می کنیم. ما یک تجزیه ارزش مفرد دوگانه را روی تانسورهای همبستگی انجام می دهیم تا طیف آن را بدست آوریم. برای درک اهمیت، نتایج را با تانسورهای همبستگی مرجع مقایسه می کنیم. به عنوان یک تانسور همبستگی مرجع، معمولاً از روش RMT استفاده می شود. با این حال، از آنجایی که ما از یک پنجره زمانی کوچک برای محاسبه تانسور همبستگی استفاده می کنیم، روش RMT به عنوان مرجع مناسب نخواهد بود. ما از تانسورهای همبستگی تصادفی شده و تغییر شکل یافته به عنوان تانسورهای همبستگی مرجع استفاده می کنیم. بزرگترین چند مقدار منفرد تأثیر دوره حباب یا سقوط در قیمت XRP را نشان می دهد. بزرگترین مقدار منفرد معنی دار است و همبستگی منفی قوی با قیمت XRP/USD دارد. علاوه بر این، یک نشانه اولیه برای قیمت XRP/USD از جمله دوره های حباب یا خرابی ها ارائه می دهد.

نتایج

شبکه هفتگی به دست آمده از معاملات XRP بین کیف پول با گذشت زمان تکامل می یابد. ما مطالعه خود را بر روی مدت زمان 2017 اکتبر 02 تا 2018 مارس متمرکز می کنیم که یک دوره حباب را با قیمت XRP پوشش می دهد. این 22 شبکه هفتگی را نشان می دهد. تعداد گره ها برای هر شبکه هفتگی در شکل 1A نشان داده شده است. ما مشاهده می کنیم که تعداد گره های شبکه های هفتگی به سرعت از 45 ، 169 در هفته 2017 ، 27 نوامبر - 04 نوامبر تا اوج ارزش 209 ، 143 در هفته 2018 ، 01 ژانویه - 07 ژانویه و بعد از آن سقوط می کند. به 27 ، 811 در طول هفته 2018 ، 26 فوریه تا 04 مارس. شکل 1B کاهش تعداد پیوندها در هر گره را نشان می دهد که میانگین درجه یک گره از 2. 15 به 1. 20 در طول سال 2017 ، 02-2018 مارس را نشان می دهد. 04. کاهش تعداد پیوندها در هر گره نشانگر کاهش میانگین فرکانس معاملات یک گره با سایر گره های مجزا است. توجه داشته باشیم که حجم معاملات XRP به مدت سه هفته بین 05 دسامبر - 24 دسامبر و همچنین برای هفته در سال 2018 ، 22 ژانویه - 29 ژانویه ، همانطور که در شکل 1C نشان داده شده است ، بسیار زیاد بود. سه هفته حجم معامله XRP بسیار بالا ممکن است در شکل گیری حباب در XRP/USD در طول سال 2017 ، 25 دسامبر تا 2018 ژانویه 07 باشد. قیمت روزانه XRP/USD از 2 اکتبر 2017 تا 4 مارس 2018 در شکل نشان داده شده است1d. قیمت XRP/USD بین دسامبر 2017 و ژانویه 2018 افزایش و سقوط فوق العاده ای داشت. این نشانگر یک دوره حباب برای XRP است. ما این دوره را برای مطالعه خود در نظر می گیریم زیرا این مهمترین دوره حباب برای بازار Cryptoasset است. نمودار قیمت XRP/USD برای مدت طولانی تر در SI شکل S1 نشان داده شده است.

ما هر یک از این شبکه های هفتگی را با استفاده از الگوریتم شناخته شده DeepWalk در فضای (D = 32 ) تعبیه کرده ایم. برای جزئیات تکنیک تعبیه ، به بخش "داده ها و روش ها" مراجعه کنید. این یک بردار d- بعدی (v_i^ alpha ) برای هر گره از شبکه ها می دهد. ما از i ، j به عنوان شاخص های گره و حروف یونانی ( alpha ، beta ) به عنوان مؤلفه های بردارها در یک فضای بعدی استفاده می کنیم. در شبکه های هفتگی معاملات XRP ، متوجه شدیم که گره های (n = 71 ) حداقل هر هفته یک معامله را انجام می دهد. ما این گره ها را (n = 71 ) ، گره های معمولی می نامیم. هر گره معمولی از شبکه های هفتگی در فضای تعبیه شده توسط یک سری زمانی بردار D بعدی (V_ ^ alpha (t) ) نشان داده شده است ، که در آن (i = 1 ، 2 ، 3. n ) ، (t= 1،2،3. t ) و ( alpha = 1 ، 2 ، 3. d ). ما برای مطالعه خود (d = 32 ) را انتخاب کرده ایم. مقادیر دیگر D نتایج کیفی مشابهی را ارائه می دهد. بعداً ، ما وابستگی کمی به D در Eq ارائه می دهیم.(11).

تانسور همبستگی بین مؤلفه های مختلف گره های معمولی به عنوان تعریف شده است

where (sum) is taken over 5 weekly (\) networks with (Delta T=2) for our analysis. The (overline^alpha>) و ( sigma _ ) نشان دهنده میانگین و انحراف استاندارد (v _^ alpha ) در یک پنجره زمانی ((2 دلتا t + 1) = 5 ) شبکه های هفتگی (\)بشرتوجه داشته باشید که مقادیر ( دلتا t ) را پایین بیاورید ، سر و صدای بیشتری در تانسور همبستگی به دست آمده وجود دارد. ما همچنین نمی توانیم ( Delta t ) را خیلی بزرگ بگیریم زیرا در حال مطالعه تکامل دینامیکی شبکه ها هستیم. ما بیشتر در مورد وابستگی تانسور همبستگی به پنجره زمانی در متن SI 2 بحث می کنیم.

برای درک اهمیت تانسور همبستگی تجربی ، دو فرضیه تهی زیر را در نظر می گیریم. فرضیه تهی اجزای بردارهای جاسازی برای گره های منظم ، (v_i^ alpha ) (تصادفی) ، متغیرهای مستقل ، یکنواخت توزیع شده و تصادفی در ([-1،1] ) هستند. ما تانسور همبستگی تصادفی را از (v_i^ alpha ) بدست آوردیم (تصادفی). روش دیگر برای تصادفی کردن تنور همبستگی تجربی ، از بین بردن همبستگی موجود بین اجزای مختلف بردارهای تعبیه شده ، با تغییر شکل مجدد مواضع اجزای بردارهای تعبیه شده (v_i^ alpha ) (تغییر شکل) است. ما همبستگی تغییر شکل را از (v_i^ alpha ) (تغییر شکل) به دست می آوریم. توزیع عناصر تانسور همبستگی تجربی ، تصادفی و تغییر شکل در شکل 2 برای هفته 2017 ، 06 نوامبر - 12 نوامبر نشان داده شده است. بشرتوزیع از تانسرهای همبستگی تصادفی و تغییر شکل از نظر کیفی یکسان است. این امر به این دلیل است که همبستگی خودکار برای اجزای مختلف بردارهای تعبیه شده تجربی وقتی تاخیر بیش از یک هفته باشد از بین می رود. این دو توزیع در حدود صفر متقارن هستند و مقدار متوسط عناصر نزدیک به صفر است. همبستگی تجربی با تانسور همبستگی تصادفی و تغییر شکل متفاوت است. این یک توزیع نامتقارن است که دارای مقدار متوسط عناصر 0. 017 است. تانسور همبستگی دارای ابعاد (n times n times d times d ) است. از آنجا که ما در تانسور همبستگی عناصر زیادی داریم ، با استفاده از یک روش تجزیه ارزش دوتایی (SVD) ، اطلاعات مهم را با مورب دادن آن کشف می کنیم. SVD Double یک پسوند طبیعی SVD برای همبستگی بردارهای استاندارد غیر تعبیه شده (V_I ) است. از آنجا که شاخص های I و ( alpha ) به ترتیب با گره فردی و بعد تعبیه مطابقت دارند ، به ترتیب ، انجام SVD به صورت متوالی با (i ، j) -pair و با (( alpha ، طبیعی است. بتا) ) -به طور جداگانه همانطور که در بخش "داده ها و روش ها" بحث شده است.

یک SVD دوتایی از تانسور همبستگی به ما می دهد (n times d ) مقادیر مفرد ( rho _k^ gamma ) ، که در آن (i = 1 ، 2 ، 3 ، ldots ، n ) و (( gamma = 1 ، 2 ، 3 ، ldots d ). برای جزئیات ، به بخش "داده ها و روش ها" مراجعه کنید. ما مقادیر مفرد ( rho _k^ gamma ) تانسور همبستگی تجربی را با مقادیر مفرد تانسور همبستگی تصادفی ( rho _k^ gamma ) مقایسه می کنیم (تصادفی) و تنظیم مجدد تنش تنش تنش ( rho _k^ گاما ) (تغییر شکل). این مقایسه در شکل 3 برای هفته 2017 ، 06 نوامبر - 12 نوامبر نشان داده شده است. این نشان می دهد که بزرگترین ارزش مفرد فراتر از بزرگترین مقدار مفرد تنش همبستگی تصادفی است. همچنین ، شکاف طیفی (( rho _1^1 - rho _2^1) ) در تانسور همبستگی تجربی در مقایسه با همتای تصادفی آن به طور قابل توجهی بزرگ است.

The temporal variation of the largest singular values of empirical ( ho _k^gamma (t)) and reshuffle (>_k^gamma (t)) correlation tensor for different weeks is shown in Fig. 4. It is evident that the largest singular value ( ho _1^1) is well above the largest singular values (>_1^1) of the randomized correlation tensor for all weeks. However, the second largest singular value ( ho _2^1) lies below the randomized counterpart. Similar to the largest singular value ( ho _1^1) , the spectral gap (( ho _1^1- ho _2^1)) appears significantly higher than that of the randomized case. Moreover, we observe (>_k^ gamma (t) ) با گذشت زمان تقریباً ثابت است. در تضاد واضح ، بزرگترین دو مقدار مفرد تجربی و همچنین چند مقدار مفرد دیگر (نشان داده نشده) برای هفته های مختلف متفاوت است. توجه داشته باشید که عادی سازی شکافهای طیفی با حداکثر مقدار آنها باعث می شود شکافهای طیفی داده های تجربی و تصادفی در مقیاس قابل مقایسه باشد ، اما این تفاوت را به اندازه کافی در بزرگی آنها نشان نمی دهد.

برای بررسی رابطه بین مقادیر مفرد ( rho _k^ gamma ) و xrp/usd قیمت ، ما تغییر قیمت روزانه XRP/USD را با بزرگترین مقدار مفرد ( rho _1^1 ) مقایسه می کنیم ، دومبزرگترین مقدار مفرد ( rho _2^1 ) و شکاف طیفی (( rho _1^1 - rho _2^1) ) در شکل 5 a-c. برای تعیین میزان وابستگی ، ما همبستگی بین قیمت هفتگی XRP/USD و دو مقدار بزرگ مفرد ( rho _1^1 ) را به ترتیب اندازه گیری می کنیم ، ( rho _2^1 ). قیمت هفتگی XRP/USD نشان دهنده میانگین قیمت بسته شدن روزانه XRP/USD برای هفته است. بگذارید قیمت هفتگی XRP/USD را به عنوان ( Overline) بیان کنیم<mathrm>)همبستگی پیرسون بین ( rho _1^1 (t) ) و ( overline<mathrm>(t+1) ) یافت می شود (r = -0. 908 ) و p-value (= 1. 912 بارها 10^). همبستگی پیرسون بین ( rho _2^1 ) و ( overline<mathrm>(t+1) ) یافت می شود (r = 0. 847 ) و p-value (= 9. 22 بارها 10^). علاوه بر این ، ما یک رگرسیون چند خطی از ( overline انجام می دهیم<mathrm>. متغیر ( rho _1^1 (t) ) قابل توجه است. ما (r^2 = 0. 8091 ) و p-value (= 1. 581 بار 10^) را پیدا کردیم ، نشان می دهد که تنوع (80 ٪ ) ( overline<mathrm>(t+1) ) را می توان با بزرگترین مقدار مفرد ( rho _1^1 (t) ) توضیح داد. ما همچنین مشاهده می کنیم که بین مقادیر مفرد و قیمت هفتگی XRP/USD با دو هفته سرب ارتباط معنی داری وجود دارد ( Overline<mathrm>(t+2) ) و سه هفته سرب ( overline<mathrm>(t+3) ) ، که در متن SI به تفصیل شرح داده شده است.<mathrm>(t+3) ) و ( rho _1^1 (t) ) به عنوان (r = -0. 68 ) و p-value (= 0. 001 ) یافت می شود. این نشان می دهد که بزرگترین مقدار مفرد ( rho _1^1 ) می تواند سیگنال اولیه را برای قیمت XRP/USD ارائه دهد.

ما همچنین مشاهده می کنیم که حداقل ( rho _1^1 (t) ) در هفته 2017 دسامبر 25 - دسامبر 31 دسامبر ظاهر می شود. تجزیه تانسور همبستگی (m _^) به سیگنال (m_^((m_^((m _^) سیگنال Mathrm) ) و مؤلفه نویز (M_^ ( Mathrm Noise) ) می تواند دلیل این حداقل را توضیح دهد. تجزیه تانسور همبستگی (M _^) برای هفته 2017 ، 06 نوامبر - 12 نوامبر در شکل 6A نشان داده شده است ، که نشان می دهد توزیع عناصر جزء سیگنال بسیار گسترده تر از توزیع عناصر استاز مؤلفه نویزشکل 6b توزیع عناصر مؤلفه سیگنال را برای سه هفته مختلف 2017 ، 06 نوامبر - 12 نوامبر 2018 ، 01 ژانویه - 07 ژانویه - 07 و 2018 ، 12 فوریه - 18 فوریه نشان می دهد. این نشان دهنده این واقعیت است که توزیع برای سال 2018 ،01 ژانویه - ژانویه 07 بیشترین قله در صفر است و از سایر توزیع ها باریک تر است ، نشان می دهد که وابستگی بین اجزای بردارهای گره در این مدت کاهش می یابد. اوج گرفتن هر توزیع را می توان با لحظه چهارم آن اندازه گیری کرد ، که به کورتوز معروف است. لحظات مختلف برای عناصر مؤلفه سیگنال تانسور همبستگی در جدول 1 جدول بندی شده است. به وضوح ، اوج و گسترش توزیع در سال 2018 ، 01 ژانویه - 07 ژانویه به ترتیب نسبتاً بالاتر و نازک تر است. از آنجا که میانگین وابستگی بین اجزای بردارهای گره در سال 2018 کاهش می یابد ، 01 ژانویه - ژانویه 07 ، ( rho _1^1 (t) ) در این دوره حداقل دارد.

در نهایت، با استفاده از RMT 25،26،27،28، رابطه بین بزرگترین مقدار منفرد و انحراف استاندارد برای تانسور همبستگی با عناصر توزیع شده نرمال را در شکل 8 نشان می دهیم. برای محاسبه جزئیات، به "داده ها و روش ها" مراجعه کنید. بخش. همچنین انحراف بزرگترین مقادیر منفرد را برای تانسورهای همبستگی تصادفی محاسبه شده با پنجره های زمانی مختلف نشان می دهد. مشاهده می شود که با افزایش پنجره زمانی برای اندازه گیری تانسور همبستگی تصادفی، بزرگترین مقدار مفرد (

ho _1^1) به مقدار نظری (

ho _1^1 = 2 sqrt D sigma) نزدیک می شود.. این نشان دهنده این واقعیت است که با افزایش اندازه پنجره، نویز ناشی از پنجره زمانی کوچکتر به تدریج کاهش می یابد.

نتیجه

در این کار، ما از تمام تراکنش های مستقیم بین کیف پول های XRP در یک هفته برای ساخت یک شبکه هدایت شده وزنی هفتگی استفاده کرده ایم. با استفاده از روش پیاده روی عمیق، عکس های فوری هفتگی شبکه را در فضای برداری جاسازی کرده ایم. Deep walk با استفاده از پیاده روی تصادفی کوتاه شده در شبکه، اطلاعات جامعه را در بردارهای گرهی رمزگذاری می کند. Once می تواند روش های دیگر تعبیه، مانند node2vec را برای مطالعه سایر قوانین شبکه کشف کند. از عکس های فوری هفتگی مولفه های بردار گرهی منظم، تانسور همبستگی را در دوره های زمانی مختلف محاسبه می کنیم. ما از یک SVD دوگانه برای حذف اطلاعات اضافی از تانسور همبستگی استفاده کرده ایم. اهمیت نتیجه ما با مقایسه آن با نتایج یک همتای تصادفی نشان داده می شود. تکامل بزرگترین مقدار مفرد (

ho _1^1) رفتار متمایزی را نشان می دهد و به طور قابل توجهی با قیمت XRP/USD همبستگی دارد. تجزیه تانسور همبستگی به اجزای سیگنال و نویز نشان می دهد که همبستگی در جزء سیگنال در طول دوره حباب به طور قابل توجهی کاهش می یابد. ما این کاهش همبستگی را در طول دوره حباب با تکامل ساختار جامعه توضیح می دهیم که رفتار مخرب در طول دوره حباب را نشان می دهد. رفتار مخرب ساختار جامعه در بازار ارز در دوران رکود اقتصادی نیز مشاهده شده است 17 .

به طور خلاصه ، ما روشی برای همبستگی طیف تانسور از معاملات XRP ایجاد کرده ایم. تجزیه مقادیر ویژه ماتریس همبستگی متقابل به طور گسترده برای تجزیه و تحلیل داده های سری زمانی ، مانند قیمت سهام روزانه ، نرخ ارز خارجی و غیره استفاده می شود. با این وجود تعامل بین عوامل در این سیستم ها در نظر گرفته نشده است. از طرف دیگر ، ما تانسور همبستگی را از ساختار شبکه معاملات XRP می سازیم. سپس تجزیه ارزش مفرد دوتایی تانسور همبستگی ارتباط بین ساختار شبکه و قیمت XRP را نشان می دهد. این روش همچنین بینش مهمی در مورد دوره حباب قیمت XRP ارائه می دهد. در حالی که تمرکز اصلی این مطالعه نشان دادن امکان سنجی روش است ، تجزیه و تحلیل جامع بیشتر در مورد سایر دوره های حباب و غیر حباب در آینده مورد مطالعه قرار خواهد گرفت. به طور کلی ، این روش پتانسیل کمک به درک بهتر و تشخیص حباب ها در بازارهای مالی را دارد. علاوه بر این ، این روش بسیار کلی است و می تواند برای تجزیه و تحلیل معاملات سایر دارایی ها استفاده شود.

داده ها و روش ها

شرح داده ها

ما تمام معاملات مستقیم بین کیف پول های مختلف XRP را از 2 اکتبر 2017 تا 4 مارس 2018 جمع آوری کردیم که با استفاده از پروتکل معاملات Ripple به عنوان داده های دفترچه ثبت شدند. ما این داده ها را به شبکه های XRP هفتگی (t = 22 ) گروه بندی کردیم که در آن کیف پول گره ها و یک معامله مستقیم از یک کیف پول منبع به یک کیف پول مقصد یک پیوند مستقیم بین آنها را تشکیل می دهد. وزن پیوند بین یک جفت کیف پول با مجموع مبلغ XRP برای کلیه معاملات بین آنها در یک هفته معین تعیین می شود. برای خصوصیات ساختاری شبکه معاملات XRP به 11 مراجعه کنید.

شبکه

ما شبکه های هفتگی کارگردانی وزنی را با استفاده از روش مشهور Node2VEC 23 با پارامترهای (P = q = 1 ) تعبیه کردیم ، که یک مورد خاص از روش Node2VEC است و روش DeepWalk را نشان می دهد. بر اساس یک مدل زبان طبیعی ، این روش های تعبیه کننده نظم ساختاری را در شبکه ضبط می کنند. به ویژه ، روش DeepWalk ساختار جامعه را در بازنمایی بردار گره ها رمزگذاری می کند. از یک پیاده روی تصادفی کوتاه برای استخراج اطلاعات محله گره ها با تولید دنباله ای از گره ها استفاده می کند (S = \) که معادل یک جمله در زبان طبیعی است. علاوه بر این ، این الگوریتم Skipgram 29 را برای نقشه برداری از هر گره (v_j ) برای بازنمایی بردار خود ( phi (v_j) in mathscr ^d ) با به حداکثر رساندن احتمال هماهنگی همسایگان خود در پیاده روی تصادفی اعمال می کند.