خلاصه مقاله "تجزیه و تحلیل بلاکچین اتریوم: چه چیزی از توپولوژی و هندسه گراف اتریوم یاد می‌گیریم؟"

مقدمه:این مقاله به بررسی توپولوژی و هندسه گراف تراکنش‌های اتریوم پرداخته و از این تحلیل‌ها برای پیش‌بینی تغییرات قیمت توکن‌های اتریوم استفاده می‌کند. بلاکچین اتریوم به دلیل امکان ایجاد قراردادهای هوشمند و انتشار توکن‌های جدید از طریق ICO، یکی از مهم‌ترین پلتفرم‌ها در دنیای بلاکچین است. در این مقاله، ابزارهای تحلیل داده‌های توپولوژیک و عمق داده‌های تابعی برای تحلیل گراف تراکنش‌های اتریوم معرفی شده‌اند.

کارهایی که انجام داده‌اند:

1. ایجاد گراف تراکنش‌های اتریوم:داده‌های تراکنش‌های اتریوم از جولای ۲۰۱۵ تا می ۲۰۱۸ جمع‌آوری شده و گراف تراکنش‌ها بر اساس این داده‌ها ساخته شده است.
   استفاده از ابزار EthR برای استخراج بلوک‌ها از اتریوم و ایجاد گراف تراکنش‌ها.
   
2. تحلیل توپولوژیک و هندسی گراف:معرفی و استفاده از ابزارهای تحلیل داده‌های توپولوژیک (TDA) برای تحلیل گراف تراکنش‌های اتریوم.
   استفاده از هومولوژی پایدار (Persistent Homology) برای استخراج خلاصه‌های توپولوژیک از گراف.
   معرفی مفهوم "بتتی پیوت" (Betti Pivot) برای شناسایی و تجزیه و تحلیل رفتارهای نرمال و غیرنرمال در گراف تراکنش‌ها.
   
3. پیش‌بینی نوسانات قیمت:توسعه مدل‌های پیش‌بینی نوسانات قیمت توکن‌های اتریوم با استفاده از خلاصه‌های توپولوژیک و ویژگی‌های سنتی شبکه.
   استفاده از مدل‌های جنگل تصادفی (Random Forest) برای پیش‌بینی نوسانات قیمت.
   
4. تشخیص هم‌حرکتی پنهان قیمت‌ها:تحلیل هم‌حرکتی پنهان بین قیمت توکن‌ها و ساختارهای توپولوژیک گراف برای شناسایی هم‌حرکتی‌های احتمالی در آینده.
   

نتایجی که پیدا کرده‌اند:

1. بهبود دقت پیش‌بینی نوسانات قیمت:استفاده از خلاصه‌های توپولوژیک بهبود قابل توجهی در دقت پیش‌بینی نوسانات قیمت ایجاد کرده است.
   مدل‌های مبتنی بر "بتتی پیوت" تا ۴۰٪ بهبود در دقت پیش‌بینی نوسانات قیمت نسبت به روش‌های پایه داشته‌اند.
   
2. شناسایی هم‌حرکتی‌های پنهان:تحلیل‌های هم‌حرکتی پنهان نشان داده‌اند که هم‌حرکتی در امضاهای بتتی می‌تواند نشانه‌ای قوی‌تر برای هم‌حرکتی‌های آینده در قیمت توکن‌ها باشد.
   
3. پیش‌بینی روزهای نوسانی:مدل‌های پیشنهادی توانسته‌اند روزهای نوسانی را با دقت بالاتری پیش‌بینی کنند و تعداد کمتری از پیش‌بینی‌های مثبت کاذب داشته باشند.
   

الگوریتم‌هایی که استفاده کرده‌اند:

1. هومولوژی پایدار (Persistent Homology):استفاده از این ابزار برای استخراج ویژگی‌های توپولوژیک از گراف تراکنش‌های اتریوم و تحلیل این ویژگی‌ها در مقیاس‌های مختلف.
   هومولوژی پایدار به شناسایی و تجزیه و تحلیل ویژگی‌های توپولوژیک بلندمدت و کوتاه‌مدت در گراف کمک می‌کند.
   
2. عمق داده‌های تابعی (Functional Data Depth):معرفی عمق باند اصلاح شده (MBD) برای شناسایی الگوهای نرمال و غیرنرمال در داده‌های تابعی.
   استفاده از MBD برای ترتیب‌دهی مجموعه‌ای از توابع و شناسایی موارد غیرنرمال.
   
3. جنگل تصادفی (Random Forest):استفاده از مدل‌های جنگل تصادفی برای پیش‌بینی نوسانات قیمت توکن‌ها با استفاده از ویژگی‌های توپولوژیک و سنتی شبکه.
   مدل‌های جنگل تصادفی به دلیل عملکرد بهتر نسبت به مدل‌های سری زمانی Box-Jenkins انتخاب شده‌اند.
   

شرح جزئیات روش‌ها و آزمایشات:

ایجاد گراف تراکنش‌ها:

• داده‌های بلاکچین اتریوم با استفاده از ابزار EthR جمع‌آوری شده و گراف تراکنش‌ها بر اساس این داده‌ها ساخته شده است.
• گراف‌ها شامل نودها (آدرس‌های حساب) و لبه‌ها (تراکنش‌های بین آدرس‌ها) هستند.

تحلیل توپولوژیک:

• هومولوژی پایدار برای تحلیل گراف تراکنش‌ها استفاده شده و خلاصه‌های توپولوژیک به‌صورت اعداد بتتی (Betti Numbers) استخراج شده‌اند.
• اعداد بتتی نشان‌دهنده تعداد اجزای متصل (بتتی-۰)، تعداد حلقه‌ها (بتتی-۱) و تعداد حفره‌ها (بتتی-۲) در گراف هستند.

مدل‌های پیش‌بینی:

• مدل‌های جنگل تصادفی با استفاده از ویژگی‌های توپولوژیک و سنتی شبکه برای پیش‌بینی نوسانات قیمت توکن‌ها آموزش داده شده‌اند.
• مدل‌ها با استفاده از داده‌های تاریخی آموزش دیده و نتایج بر اساس مجموعه‌های آموزشی و تست ارزیابی شده‌اند.

تشخیص هم‌حرکتی پنهان:

• هم‌حرکتی پنهان بین قیمت توکن‌ها و امضاهای بتتی تحلیل شده و نشان داده شده که هم‌حرکتی در امضاهای بتتی می‌تواند نشانه‌ای قوی‌تر برای هم‌حرکتی‌های آینده در قیمت توکن‌ها باشد.

نتیجه‌گیری:

این مقاله نشان می‌دهد که استفاده از تحلیل توپولوژیک و هندسی گراف تراکنش‌های اتریوم می‌تواند بهبود قابل توجهی در دقت پیش‌بینی نوسانات قیمت توکن‌ها ایجاد کند. همچنین، تحلیل‌های هم‌حرکتی پنهان نشان می‌دهد که هم‌حرکتی در امضاهای بتتی می‌تواند نشانه‌ای قوی‌تر برای هم‌حرکتی‌های آینده در قیمت توکن‌ها باشد. این رویکرد می‌تواند به تحلیل بهتر بازارهای مالی و شناسایی فعالیت‌های معاملاتی مخرب کمک کند.