Detecting unusual trading patterns on cryptocurrency exchanges by means of complexity measures
利用复杂度度量检测加密货币交易所的异常交易模式AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以加密货币高频逐笔交易数据构造统计与复杂度诊断，直接对应高频计量；尾分布只是工具，未研究系统性风险。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
利用复杂度度量检测加密货币交易所的异常交易模式
- 研究问题
- 如何利用逐笔交易的复杂度与统计结构，发现单靠价格指标可能遗漏的交易所异常活动，并区分异常信号与操纵证据？
- 方法与思路
- 作者联合分析收益、成交量和交易笔数的尾分布、自相关、多重分形、近似熵及去趋势交叉相关，比较多个币种和交易所。
- 材料陈述的贡献
- 摘要报告 Bitget 的 BTC 与 ETH 在二〇二五年五月中旬后出现大量小额交易等异常，并称复杂度指标可补充价格诊断。
- 阅读关注点
- 应核对逐笔数据质量、交易所口径和异常窗口选择，以及多个指标的共同证据能否排除业务变化、交易拆分等解释。
- 阅读边界
- 这是预印本，同行评审及期刊接收未获核实。摘要明确异常不构成洗售直接证据，所述结论仅覆盖给定币种、交易所和样本期。
原文摘要
Artificial transaction generation remains an important source of potential market manipulation on cryptocurrency exchanges, as it may distort reported liquidity and reduce market transparency. This study proposes a diagnostic framework for detecting unusual trading patterns based on complexity and statistical-structure measures derived from high-frequency trade-level data. The analysis considers log-returns, trading volume, and transaction counts, using tail distributions, autocorrelation functions, multifractal characteristics, approximate entropy, and detrended cross-correlations. The methodology is applied to BTC, ETH, and XRP traded on Binance, Bitget, KuCoin, and Kraken over the period from April 1 to June 30, 2025. The results reveal a pronounced anomaly on Bitget for BTC and ETH after mid-May 2025. The number of transactions increases sharply, but there is no proportional increase in traded volume or return fluctuations. This regime is characterised by numerous low-volume trades, weaker autocorrelations, reduced multifractal organisation, higher short-pattern irregularity, and weaker cross-correlations involving the transaction-count series. These features are consistent with a noise-like component in trading activity and may indicate artificially increased transaction counts, although they do not provide direct proof of wash trading. The findings show that complexity-based indicators can be useful for detecting exchange-specific trading anomalies that remain hidden in price-based measures.