集中式加密貨幣交易所的交易模式探討

集中式加密貨幣交易所是加密貨幣生態系統中最重要的黑盒子。我們都有在使用它們，我們對它們又愛又恨，但是我們對它們的內在行為知之甚少。我們一直在埋頭研究一系列機器學習模型，以幫助我們更好地理解加密貨幣交易所的內部機制。最近，我們在一個被高度訂閱的網絡研討會上展示了我們的一些初步發現，現在我做進一步的闡述。

有幾個因素導致了理解集中式加密貨幣交易所行為的困難。匿名性、不規范的區塊鏈對帳程序和定期的清洗交易行為是對集中加密貨幣交易所分析的主要挑戰。在一個沒有成熟規則的環境中，機器學習和數據科學為解開加密貨幣交易所的一些秘密提供了最佳框架。

簡要回顧一下集中式加密貨幣交易所

在以前的文章中，我們討論了集中式加密貨幣交易所體系結構的一些內部組件。從本質上講，集中式加密貨幣交易所的行為有四個關鍵組成部分：

·熱錢包：熱錢包通常是外部方與交換方之間的主要交互點。交易所使用這種類型的錢包使資產可以交易。

·冷錢包：交易所使用冷錢包作為加密貨幣資產的安全存儲。這種類型的錢包通常持有大量不打算頻繁交易的資產。

·存款地址：存款地址通常是臨時的鏈上地址，用于將資金轉移到交易所。這種類型的地址的重點是方便用戶兌換現金流。

·提現地址：提現地址通常是臨時的鏈上地址，用于從主外匯錢包轉移資金。有時取款地址可以起到存款地址的雙重作用。

沒有一個機器學習模型能給出具體答案

如果我們考慮使用傳統的機器學習來處理集中式加密貨幣交易所的分析，我們將考慮設計和實現一個模型，該模型可以有效地將特定的地址分類為交換。盡管這一概念似乎合乎邏輯，但事實證明，將其應用于集中式加密貨幣交易所是不切實際的。

對于初學者來說，集中式加密貨幣交易所的行為過于多樣化和復雜，無法封裝在一個單一的模型中。此外，集中式加密貨幣交易所不斷地改變或更新其鏈上過程，這對任何機器學習模型的學習動態都是一個挑戰。

進入集成學習

設想一下，我們可以將多個模型組合成一個單一的知識結構，而不是一個單一的機器學習模型，這樣就可以理解集中式加密貨幣交易所的內部模式。不同的模型對于不同的集中式交換架構會有更好的表現，并且整個團隊能夠更好地適應變化。在機器學習理論中，這可以使用集成學習技術來實現。

從概念上講，機器學習中的集成模型將來自多個模型的決策組合在一起以提高整體性能。集成算法的目標是將多個基本估計器的預測與給定的學習算法相結合，以提高對單個估計器的魯棒性。

在我們的目標問題中，一個有趣的想法是構建一個模型集合，該模型可以預測或將特定地址分類為熱錢包、冷錢包、存款或取款。我們在IntoTheBlock平臺上采用了類似的方法，結果令人鼓舞。

為什么是數據可視化

建立一個健壯的集成模型來對加密貨幣交易所進行分類是遠遠不夠的。首先，沒有足夠的關于加密貨幣交易所的標記數據集來訓練復雜的機器學習模型。此外，這些模型中的每一個都考慮了大量的參數組合，這使得解釋其決策變得極其困難。從這個角度來看，用健壯的數據可視化框架補充這些機器學習模型可以幫助我們更好地理解集中式加密貨幣交易所的特征。在IntoTheBlock中，數據可視化的使用已經被證明是理解集中加密貨幣交易所行為的獨特資產。讓我們來看看我們發現的一些東西。

集中式加密貨幣交易所的10種模式

并非所有集中式加密貨幣交易所創建都是相等的。由于交換結構和交換模式的多樣性，加密貨幣交易所地址的分類也變得極具挑戰性。以下是一些你應該知道的最常見的模式：

1）小額存款交易：有些交易所，如波蘭交易所，會將少量的存款地址合并成一筆存款交易，放入一個熱錢包中。

2）大額存款交易：像Binance這樣的其他交易所將大量存款地址的資金合并成單個交易，放入熱錢包。

3）小額提現交易：類似地，一些交易所把提現分成幾個地址。

4）大額提現交易： 其他交易所使用單個取款交易將資金分配到大量的地址。

5）直接存款：有些交易所直接將資金從存款地址轉到熱門錢包中。

6）臨時存款地址：在資金進入交易所的熱錢包之前，其他交易所將資金從存款地址轉移到臨時地址。

7）UTXO模式：未使用的事交易輸出（UTXO）機制經常被集中式交易所用于構建交易。

8）單錢包交易所：像Binance這樣的交易所使用單熱錢包來處理交易。

9）雙熱錢包交易所：像Poloniex這樣的交交易所使用雙熱錢包結構，一個熱錢包用來接收存款，另一個用來分發取款。

10）多匯轉賬：BitStamp等交易所定期與Binance等交易所進行交互，獲取資金。

這些只是我們在實驗中發現的一些早期最明顯的模式。IntoTheBlock平臺利用大量這類信息，創造出更智能的信號，幫助研究人員和交易員做出更好的決策。然而，最重要的是要認識到，使用機器學習和數據可視化確實有助于更好地理解加密貨幣交易所的行為，而且還不需要任何深入的信息。
來源；區塊網