Risques dans le marché NFT en plein essor : une étude sur la fraude

Le marché des NFT a beaucoup évolué ces dernières années, avec des milliards de dollars en Transactions. Cependant, le marché est surtout non régulé, ce qui soulève des inquiétudes concernant la fraude, le blanchiment d'argent et d'autres activités malhonnêtes. Beaucoup de participants sont des traders peu expérimentés, ce qui rend plus facile pour les acteurs malveillants de les exploiter. Cet article examine ces risques et cherche à identifier des comportements de trading inhabituels, en particulier le wash trading, où le même actif est acheté et vendu pour créer l'illusion d'une forte demande.

#Qu'est-ce que les NFTs ?

Les NFTs, ou jetons non fongibles, sont des objets numériques uniques vérifiés grâce à la technologie blockchain. Chaque NFT est unique et ne peut pas être remplacé ou échangé contre autre chose. Ils font partie d'un marché numérique plus vaste, qui a connu à la fois une énorme croissance et des défis comme la baisse de l'activité de trading dans certains domaines. On s'attend à ce que le marché des NFT atteigne plus de 200 milliards de dollars d'ici 2030.

#Fraude sur le marché des NFT

En raison de sa nature anonyme, la fraude peut facilement se produire sur le marché des NFT. Une des activités frauduleuses courantes est le wash trading. C'est quand quelqu'un achète et vend le même NFT pour gonfler artificiellement son prix. Par exemple, un large pourcentage du volume de trading dans certains marchés NFT peut être lié à ces pratiques trompeuses. Alors que les marchés financiers traditionnels ont des règles contre le wash trading, le marché NFT en manque.

#Recherche sur la détection de fraude NFT

Il y a peu de recherches sur la détection de fraude dans l'espace NFT. Beaucoup d'actions frauduleuses ne sont pas facilement identifiables, car elles utilisent souvent des méthodes complexes pour cacher leurs intentions. Cet article propose d'utiliser l'analyse de données et des techniques d'apprentissage machine pour identifier des modèles inhabituels dans le comportement de trading plutôt que de créer une liste spécifique de traders suspects.

#Le processus de recherche

Notre recherche a été divisée en trois étapes principales :

1. Collecte de données : Nous avons rassemblé des données de transactions d'une grande place de marché NFT appelée OpenSea. Après avoir filtré pour avoir un nombre gérable de collections, nous avons collecté plus d'un million de transactions liées à près de 253 000 portefeuilles uniques.

2. Analyse exploratoire des données : Avant de plonger plus profondément dans les motifs des données, nous avons effectué une analyse initiale pour repérer des signes de comportements de trading inhabituels. Par exemple, nous avons appliqué une méthode appelée la loi de Benford pour vérifier si la distribution des prix des transactions semblait normale.

3. Ingénierie des caractéristiques : Nous avons créé des caractéristiques spécifiques qui aident à identifier des modèles liés au comportement de trading. Ces caractéristiques tombent dans trois grandes catégories :

   • Caractéristiques de réseau : Comment les portefeuilles interagissent entre eux.
   • Caractéristiques monétaires : La taille et la fréquence des transactions.
   • Caractéristiques temporelles : Le timing des transactions.

#Regroupement des données

Nous avons utilisé une méthode appelée K-Means clustering pour regrouper les portefeuilles en fonction des caractéristiques que nous avons conçues. Cette méthode vise à identifier des motifs sans avoir besoin de données pré-étiquetées. Cependant, un défi est de décider combien de groupes ou de clusters créer. Nous avons utilisé plusieurs techniques pour trouver le bon nombre de clusters, décidant finalement de sept.

#Analyse des clusters

Après avoir regroupé les portefeuilles, nous avons examiné chaque groupe pour trouver les caractéristiques qui les définissent. Voici les clusters clés que nous avons identifiés :

1. Marché général : Ce groupe contient la majorité des comptes et sert de référence pour la comparaison.

2. Hodlers : Ces comptes achètent des NFTs et les conservent longtemps sans les vendre. Ils croient en la valeur à long terme de leurs investissements.

3. Comptes inactifs : Ce groupe n'achète ni ne vend fréquemment des NFTs ; il est caractérisé par de grands écarts dans l'activité de trading.

4. Comptes institutionnels : Ceux-ci représentent un très petit nombre de comptes qui gèrent des montants significatifs d'argent et d'actifs. Ils sont facilement identifiables en raison de leurs motifs de trading uniques.

5. Collectionneurs : Ce groupe a également un petit nombre de comptes. Les collectionneurs se concentrent sur la valeur artistique des NFTs plutôt que de simplement gagner de l'argent. Ils prennent leur temps avant de vendre pour évaluer les profits potentiels.

6. Wash Traders : Deux groupes ont été identifiés comme des wash traders potentiels. Ils s'engagent activement dans le trading mais traitent souvent avec les mêmes comptes. Leurs motifs de trading suggèrent qu'ils pourraient tenter de gonfler les prix ou les volumes.

#Implications pour la régulation

Notre analyse a trouvé qu'environ 5,38 % des traders sur le marché des NFT pourraient être classés comme wash traders. Cette information peut être utile pour les agences de régulation dans le développement de stratégies pour surveiller et gérer ces activités frauduleuses. En comprenant mieux la structure du marché NFT, les régulateurs peuvent créer des règles qui se concentrent spécifiquement sur les activités de trading suspectes.

#Méthodes de collecte de données

Pour collecter des données, nous avons défini ce que nous entendons par une transaction NFT. Essentiellement, les transactions impliquent soit la vente d'un NFT, où un acheteur achète à un vendeur, soit le transfert d'un NFT d'un portefeuille à un autre sans paiement.

Pour cette étude, nous nous sommes concentrés sur les transactions d'OpenSea, une place de marché NFT de premier plan. Nous avons collecté des données via une API qui nous a aidés à rassembler des détails sur une large gamme de collections NFT. Après avoir filtré pour des collections actives, nous avons sélectionné au hasard un échantillon représentatif pour notre analyse.

#Nettoyage et préparation des données

Les données sont souvent désordonnées et incohérentes. Pour les rendre utilisables, nous avons dû nettoyer et valider les données que nous avons collectées. Cela impliquait de supprimer des informations non pertinentes, de corriger des erreurs et de s'assurer que les données provenant de diverses sources pouvaient être combinées de manière significative.

#Analyse initiale des données

Pour avoir une idée des données, nous avons vérifié différents aspects du comportement de trading. Par exemple, nous avons recherché des signes que les transactions suivaient un modèle régulier ou divergeaient de manière significative, suggérant une fraude potentielle. Une méthode utilisée a été de vérifier si les premiers chiffres des prix des transactions suivaient des modèles attendus, car des déviations extrêmes pourraient indiquer des activités irrégulières.

#Développement des caractéristiques

Après avoir compris certains modèles de base, nous avons créé des caractéristiques qui aideraient à identifier des comportements de trading inhabituels. Les caractéristiques que nous avons conçues se concentrent sur les interactions entre les portefeuilles, la taille des transactions et le timing des trades. Cette approche multifacette permet une compréhension plus approfondie des comportements de trading sans simplement s'appuyer sur un seul facteur.

#Importance du clustering

L'utilisation du clustering a aidé à identifier des groupes avec des comportements de trading similaires. Bien que ces clusters ne soient pas toujours facilement distinguables, ils nous donnent un aperçu des différents types de participants sur le marché des NFT.

#Visualisation des résultats

Pour visualiser les motifs dans nos données, nous avons utilisé des techniques comme l'analyse en composantes principales (ACP) pour simplifier nos données complexes en deux dimensions. Cette approche nous a permis de voir comment différents comptes se regroupaient en fonction de leurs comportements de trading.

#Analyse statistique des clusters

Nous avons comparé les caractéristiques des différents clusters pour trouver des caractéristiques distinctives. Par exemple, certains clusters présentaient un volume de transactions élevé, tandis que d'autres montraient une activité minimale. Ces évaluations statistiques aident à mieux étiqueter les types d'utilisateurs sur le marché des NFT, rendant plus facile l'identification des fraudes potentielles.

#Conclusion

Bien que de nombreux traders soient des participants authentiques sur le marché des NFT, certains s'engagent dans des pratiques malhonnêtes comme le wash trading. Notre recherche éclaire la structure du marché des NFT et met en évidence des groupes qui pourraient être impliqués dans ces activités. En utilisant l'apprentissage machine et l'Analyse des données, nous fournissons des informations qui peuvent aider à rendre le trading de NFT plus transparent et sécurisé.

Reconnaître le besoin de meilleures régulations dans ce marché en pleine expansion est crucial. Nos découvertes peuvent guider les autorités dans l'élaboration de politiques éclairées pour améliorer l'intégrité du trading de NFT. L'approche adoptée dans cette étude peut également inspirer d'autres recherches sur la détection de fraude dans le paysage NFT et au-delà.