Analyse von XRP-Transaktionen: Ein Zwei-Jahres-Rückblick

Krypto-Assets sind weltweit ziemlich angesagt geworden. Eines der bemerkenswerten Krypto-Assets ist XRP. Dieser Artikel schaut sich die XRP-Transaktionsdaten von 2017 bis 2018 an, was eine Zeit mit signifikanten Preisänderungen für XRP war.

Mit der zunehmenden Verbreitung von Krypto-Assets ziehen sie mehr Investoren an. Allerdings kann das Investieren in diese Assets riskant sein, wegen ihrer Preisschwankungen. Ausserdem könnte der Anstieg von Krypto-Assets traditionelle Finanzmärkte beeinflussen und Bedenken hinsichtlich Themen wie Geldwäsche aufwerfen. Viele Regierungen fangen an, Vorschriften für die Nutzung einzuführen. Forscher beschäftigen sich zunehmend mit Krypto-Assets, um Preisänderungen, Transaktionsmuster und die zugrunde liegende Technologie zu verstehen.

Während viele Studien sich auf Bitcoin und Ethereum konzentrieren, gibt es weniger Forschung zu XRP. Unsere Arbeit zielt darauf ab, XRP-Transaktionen genauer zu analysieren.

#Verständnis der Zeitreihenanalyse

Die Zeitreihenanalyse umfasst verschiedene Methoden, die genutzt werden, um Daten, die über die Zeit gesammelt wurden, zu verstehen und Erkenntnisse daraus zu gewinnen, zum Beispiel in den Aktienmärkten oder in medizinischen Aufzeichnungen. Eine gängige Technik in der Zeitreihenanalyse ist die Kreuzkorrelation, die untersucht, wie zwei Variablen im Zeitverlauf zusammenhängen.

Die einfachste Methode zur Messung der Korrelation zwischen zwei Variablen ist die Pearson-Korrelation. Diese Methode berechnet, wie stark eine Variable sich ändert, wenn sich die andere ändert. Die Kreuzkorrelationsmethode, kombiniert mit der Zufallsmatrixtheorie, hat in vielen Systemen wichtige Erkenntnisse geliefert.

Kürzlich wurde eine Methode entwickelt, um die Korrelation in dynamischen XRP-Transaktionsnetzwerken zu untersuchen. Diese Methode hilft dabei, signifikante Preisänderungen von XRP festzuhalten.

In diesem Artikel beschreiben wir, wie wir XRP-Transaktionen über wöchentliche Zeiträume zwischen Oktober 2017 und März 2018 analysieren.

#Beschreibung der Daten

Die in dieser Studie verwendeten Daten umfassen XRP-Transaktionen zwischen verschiedenen Wallets vom 2. Oktober 2017 bis zum 4. März 2018. Diese Daten wurden mit dem Ripple Transaction Protocol aufgezeichnet, das Transaktionen in einem verteilten Ledger protokolliert.

Wir haben diese Daten in wöchentliche Gruppen organisiert und aus den XRP-Transaktionen für jede Woche gerichtete gewichtete Netzwerke gebaut. In diesen Netzwerken spielt jede Wallet die Rolle eines Knotens, und eine Verbindung wird hergestellt, wenn XRP von einer Wallet zur anderen fliesst. Die gesamte Menge an XRP, die zwischen zwei Wallets transferiert wird, wird durch das Gewicht dieser Verbindung dargestellt.

#Netzwerk-Embedding von XRP-Transaktionen

Netzwerk-Embedding ist eine Methode, die ein Netzwerk in einem niederdimensionalen Raum darstellt, während wichtige Merkmale erhalten bleiben. Diese Technik erleichtert die Visualisierung und Analyse des Netzwerks und kann für verschiedene Aufgaben wie die Vorhersage von Verbindungen im Netzwerk verwendet werden.

Zwei beliebte Methoden für das Netzwerk-Embedding sind DeepWalk und node2vec. Der DeepWalk-Algorithmus erstellt einen Vektor für jeden Knoten mit Hilfe von zufälligen Spaziergängen, um Informationen über die Gemeinschaftsstruktur des Netzwerks zu erfassen. Er generiert mehrere kurze zufällige Spaziergänge von jedem Knoten, ähnlich wie Sätze in einer Sprache gebildet werden. Währenddessen verbessert die node2vec-Methode DeepWalk, indem sie verzerrte Zufallswanderungen einführt, um komplexere Muster im Netzwerk zu erfassen.

In unserer Studie haben wir node2vec verwendet, um die XRP-Transaktionsnetzwerke einzubetten.

#Korrelationstensor aus XRP-Netzwerken

Wir haben Daten zum XRP/USD-Schlusskurs vom 5. Mai 2017 bis zum 13. Oktober 2022 gesammelt. Dieser Zeitraum zeigt verschiedene Preisspitzen, insbesondere im Januar 2018, als wir einen bemerkenswerten Anstieg der XRP-Preise beobachteten.

Für unsere Analyse haben wir wöchentliche Transaktionsnetzwerke aufgenommen und Vektor-Darstellungen für jeden Knoten generiert. Wir haben Knoten identifiziert, die in jeder Woche Transaktionen durchgeführt haben, und uns auf diese regelmässigen Knoten konzentriert, da sie entscheidend für den XRP-Handel sind.

Durch die Verwendung der eingebetteten Vektoren dieser regulären Knoten haben wir einen Korrelationstensor berechnet. Dieser Tensor hilft uns, Beziehungen innerhalb der Transaktionsnetzwerke zu erkunden und wie sie sich im Laufe der Zeit ändern.

#Analyse zeitlicher Veränderungen in Netzwerken

Wir haben die Anzahl der Knoten, Verbindungen und Transaktionsvolumina in den XRP-Netzwerken während des angegebenen Zeitraums untersucht. Wir fanden heraus, dass die Anzahl der Knoten um Dezember 2017 drastisch anstieg, nur um im Januar 2018 wieder zu sinken.

Die Daten zeigten auch, dass die durchschnittliche Anzahl von Verbindungen pro Knoten während unseres Studienzeitraums abnahm. Ausserdem beobachteten wir signifikante Spitzen im Transaktionsvolumen, die offenbar mit der Preisblase von XRP im Januar 2018 verbunden waren.

Wir haben das Verhalten der Korrelationstensoren untersucht und nach Mustern und Erkenntnissen gesucht. Die Daten zeigten, dass mit einer Erhöhung des Zeitfensters, das für die Analyse verwendet wurde, die Verteilung der Elemente des Korrelationstensors deutlicher wurde.

#Vergleich von empirischen und randomisierten Korrelationstensoren

Um unsere Ergebnisse zu validieren, haben wir den empirischen Korrelationstensor mit einer randomisierten Version verglichen. Der randomisierte Tensor wurde mit gleichmässig verteilten Zufallszahlen in den Knotenvektoren erzeugt.

Bei der Analyse der Verteilungen dieser Tensoren fanden wir heraus, dass der randomisierte Tensor ein symmetrisches Verteilungsmuster aufwies, während der empirische Tensor eine asymmetrische Verteilung mit einem positiven Mittelwert zeigte. Zudem war der grösste Eigenwert des empirischen Tensors erheblich höher als der des randomisierten Tensors.

#Untersuchung der Auswirkungen von Modellparametern

Wir haben auch untersucht, wie der Korrelationstensor je nach verschiedenen Faktoren, wie z.B. der Einbettungsdimension, variiert. Unsere Ergebnisse zeigten, dass mit steigender Dimension des Einbettungsraums die Elemente des Korrelationstensors konzentrierter wurden.

Unsere Analyse konzentrierte sich darauf, wie sich der Korrelationstensor mit verschiedenen Zeitfenstern ändert. Wir entdeckten, dass kleinere Zeitfenster rauschhafte Daten produzierten, während grössere Zeitfenster zu einer stabileren Verteilung des Korrelationstensors führten.

#Fazit und Erkenntnisse

Zusammenfassend hat unsere Studie XRP-Transaktionen während eines kritischen Zeitraums untersucht, der durch signifikante Preisänderungen gekennzeichnet war. Wir haben wöchentliche gerichtete Netzwerke aus Transaktionen erstellt und Netzwerk-Embedding-Techniken verwendet, um diese Netzwerke im Vektorraum darzustellen.

Der aus den eingebetteten Knoten abgeleitete Korrelationstensor half uns, Einblicke in die Dynamik der XRP-Transaktionsnetzwerke zu gewinnen. Unsere Ergebnisse bestätigten, dass der Korrelationstensor empfindlich auf das Zeitfenster reagiert und seine Elemente signifikante Unterschiede im Vergleich zu einem randomisierten Pendant aufweisen.

Diese Analyse bietet wertvolle Perspektiven auf das Verhalten der XRP-Transaktionsnetzwerke und die Gemeinschaftsstrukturen, die in diesen Netzwerken vorhanden sind. Durch den Einsatz von Methoden wie der Korrelationstensoranalyse können Forscher die sich entwickelnde Natur von Krypto-Assets und deren Markteinflüsse besser verstehen.