通过集成模型和合成过采样技术提高加密货币操纵检测效果
人工智能
2025-10-02 v1 计算工程、金融与科学
风险管理
摘要
本研究旨在检测加密货币市场中的操纵性泵卖行为（pump and dump, P&D），由于此类事件稀少导致严重的类别不平衡，阻碍了准确检测。为解决此问题，应用了合成少数过采样技术（SMOTE），并评估了先进的集成学习模型，以区分操纵性交易行为与正常市场活动。实验结果表明，应用SMOTE后，所有模型检测P&D事件的能力显著提升，通过提高召回率并改善准确率和召回率之间的整体平衡。特别地，XGBoost和LightGBM分别实现了高达94.87%和93.59%的高召回率，保持强大的F1分数，并表现出快速的计算性能，适用于近实时监控。这些发现表明， 将数据平衡技术与集成方法结合显著提高了对操纵性活动的早期检测，促进了加密货币市场的公平性、透明性和稳定性。
引用
@article{arxiv.2510.00836,
title = {Improving Cryptocurrency Pump-and-Dump Detection through Ensemble-Based Models and Synthetic Oversampling Techniques},
author = {Jieun Yu and Minjung Park and Sangmi Chai},
journal= {arXiv preprint arXiv:2510.00836},
year = {2025}
}