Analyse des transactions XRP : un retour sur deux ans

Les cryptoactifs sont devenus super populaires dans le monde entier. Un des cryptoactifs notables, c'est XRP. Cet article examine les données de transactions XRP entre 2017 et 2018, une période avec pas mal de changements de prix importants pour XRP.

Avec la montée en popularité des cryptoactifs, les investisseurs s'y intéressent de plus en plus. Mais investir dans ces actifs peut être risqué à cause de leur volatilité de prix. De plus, la montée des cryptoactifs pourrait influencer les marchés financiers traditionnels et soulever des inquiétudes sur des problèmes comme le blanchiment d'argent. En réponse, beaucoup de gouvernements commencent à mettre en place des régulations pour leur utilisation. Les chercheurs étudient de plus en plus les cryptoactifs pour comprendre les changements de prix, les patterns de transactions et la technologie sous-jacente.

Alors que beaucoup d'études se concentrent sur Bitcoin et Ethereum, il y a moins de recherches sur XRP. Notre travail vise à analyser les transactions XRP plus en détail.

#Comprendre l'analyse des séries temporelles

L'analyse des séries temporelles utilise différentes méthodes pour comprendre et obtenir des infos à partir de données collectées au fil du temps, comme dans les marchés boursiers ou les dossiers médicaux. Une technique commune en analyse des séries temporelles est la corrélation croisée, qui examine comment deux variables se relient dans le temps.

La manière la plus simple de mesurer la corrélation entre deux variables est la Corrélation de Pearson. Cette méthode calcule à quel point une variable change quand l'autre change. La méthode de corrélation croisée, combinée avec la théorie des matrices aléatoires, a fourni des insights importants dans plein de systèmes.

Récemment, une méthode a été développée pour étudier la corrélation dans les Réseaux de transactions XRP dynamiques. Cette méthode aide à capturer les changements de prix significatifs de XRP.

Dans cet article, on va décrire comment on analyse les transactions XRP sur des périodes hebdomadaires entre octobre 2017 et mars 2018.

#Description des données

Les données utilisées dans cette étude incluent les transactions XRP entre différents portefeuilles du 2 octobre 2017 au 4 mars 2018. Ces données ont été enregistrées en utilisant le protocole de transaction Ripple, qui log les transactions sur un registre distribué.

On a organisé ces données en groupes hebdomadaires et construit des réseaux orientés pondérés à partir des transactions XRP pour chaque semaine. Dans ces réseaux, chaque portefeuille joue le rôle d'un nœud, et une connexion se fait quand XRP circule d'un portefeuille à un autre. Le montant total de XRP transféré entre deux portefeuilles est représenté par le poids de cette connexion.

#Embedding de réseau des transactions XRP

L'embedding de réseau est une méthode qui représente un réseau dans un espace de dimension inférieure tout en préservant des caractéristiques importantes. Cette technique facilite la visualisation et l'analyse du réseau, et peut être utilisée pour diverses tâches comme la prédiction de liens dans le réseau.

Deux méthodes populaires d'embedding de réseau sont DeepWalk et node2vec. L'algorithme DeepWalk crée un vecteur pour chaque nœud en utilisant des promenades aléatoires pour capturer des infos sur la structure de communauté du réseau. Il génère plusieurs courtes promenades aléatoires à partir de chaque nœud, un peu comme comment les phrases sont formées dans une langue. Pendant ce temps, la méthode node2vec améliore DeepWalk en introduisant des promenades aléatoires biaisées pour capturer des patterns plus complexes dans le réseau.

Dans notre étude, on a utilisé node2vec pour intégrer les réseaux de transactions XRP.

#Tenseur de corrélation des réseaux XRP

On a collecté des données sur le prix de clôture XRP/USD du 5 mai 2017 au 13 octobre 2022. Cette période montre divers pics de prix, surtout en janvier 2018, lorsqu'on a observé une montée notable des prix de XRP.

Pour notre analyse, on a incorporé les réseaux de transactions hebdomadaires et généré des représentations vectorielles pour chaque nœud. On a identifié les nœuds qui ont effectué des transactions chaque semaine et on s'est concentré sur ces nœuds réguliers, car ils sont cruciaux pour le trading de XRP.

En utilisant les vecteurs intégrés de ces nœuds réguliers, on a calculé un tenseur de corrélation. Ce tenseur nous aide à explorer les relations au sein des réseaux de transactions et comment elles évoluent dans le temps.

#Analyser les changements temporels dans les réseaux

On a examiné le nombre de nœuds, de liens et les volumes de transactions dans les réseaux XRP pendant la période spécifiée. On a trouvé que le nombre de nœuds a augmenté de manière dramatique autour de décembre 2017, pour ensuite redescendre en janvier 2018.

Les données indiquaient aussi que le nombre moyen de connexions par nœud a diminué pendant notre période d'étude. De plus, on a observé des pics significatifs dans le volume des transactions, qui semblaient liés à la bulle de prix de XRP en janvier 2018.

On a enquêté sur le comportement des Tenseurs de corrélation, cherchant des patterns et des insights. Les données montraient qu'en augmentant la fenêtre temporelle utilisée pour l'analyse, la distribution des éléments du tenseur de corrélation devenait plus marquée.

#Comparer les tenseurs de corrélation empiriques et randomisés

Pour valider nos résultats, on a comparé le tenseur de corrélation empirique avec une version randomisée. Le tenseur randomisé a été généré en utilisant des nombres aléatoires uniformes dans les vecteurs de nœuds.

En analysant les distributions de ces tenseurs, on a trouvé que le tenseur randomisé avait un pattern de distribution symétrique, tandis que le tenseur empirique montrait une distribution asymétrique avec une moyenne positive. En plus, la plus grande valeur singulière du tenseur empirique était largement supérieure à celle du tenseur randomisé.

#Enquête sur l'impact des paramètres du modèle

On a aussi examiné comment le tenseur de corrélation varie en fonction de différents facteurs, comme la dimension d'embedding. Nos résultats ont montré qu'en augmentant la dimension de l'espace d'embedding, les éléments du tenseur de corrélation devenaient plus concentrés.

Notre analyse s'est concentrée sur comment le tenseur de corrélation change avec différentes fenêtres temporelles. On a découvert que des fenêtres temporelles plus petites produisaient des données plus bruyantes, tandis que des fenêtres temporelles plus grandes menaient à une distribution plus stable du tenseur de corrélation.

#Conclusion et insights

En résumé, notre étude a analysé les transactions XRP pendant une période critique marquée par des changements de prix significatifs. On a construit des réseaux orientés hebdomadaires à partir des transactions et utilisé des techniques d'embedding de réseau pour représenter ces réseaux dans l'espace vectoriel.

Le tenseur de corrélation dérivé des nœuds intégrés nous a aidés à obtenir des insights sur la dynamique des réseaux de transactions XRP. Nos résultats ont confirmé que le tenseur de corrélation est sensible à la fenêtre temporelle, et que ses éléments affichent des différences significatives par rapport à un homologue randomisé.

Cette analyse offre de précieuses perspectives sur le comportement des réseaux de transactions XRP et les structures communautaires présentes dans ces réseaux. En utilisant des méthodes comme l'analyse du tenseur de corrélation, les chercheurs peuvent mieux comprendre la nature évolutive des cryptoactifs et leur impact sur le marché.