Analizzando le Transazioni XRP: Una Rassegna di Due Anni

Gli crypto-asset sono diventati popolari in tutto il mondo. Uno dei crypto-asset più noti è XRP. Questo articolo esamina i dati delle transazioni XRP dal 2017 al 2018, un periodo in cui ci sono stati cambiamenti significativi nei prezzi di XRP.

Man mano che i crypto-asset diventano più comuni, attirano sempre più attenzione dagli investitori. Tuttavia, investire in questi asset può essere rischioso a causa della loro volatilità. Inoltre, l’aumento dei crypto-asset potrebbe influenzare i mercati finanziari tradizionali e sollevare preoccupazioni su questioni come il riciclaggio di denaro. In risposta, molti governi stanno iniziando a introdurre regolamentazioni per il loro utilizzo. I ricercatori stanno studiando sempre di più i crypto-asset per capire i cambiamenti di prezzo, i modelli di transazione e la tecnologia sottostante.

Sebbene molti studi si concentrino su Bitcoin ed Ethereum, ci sono meno ricerche su XRP. Il nostro lavoro mira ad analizzare le transazioni XRP in modo più dettagliato.

#Capire l'Analisi delle Serie Temporali

L'analisi delle serie temporali coinvolge vari metodi utilizzati per comprendere e ottenere informazioni dai dati raccolti nel tempo, come nei mercati azionari o nelle cartelle cliniche. Una tecnica comune utilizzata nell'analisi delle serie temporali è la cross-correlazione, che esamina come due variabili siano correlate nel tempo.

Il modo più semplice per misurare la correlazione tra due variabili è la Correlazione di Pearson. Questo metodo calcola quanto cambia una variabile quando cambia l'altra. Il metodo di cross-correlazione, combinato con la teoria delle matrici casuali, ha fornito importanti spunti in molti sistemi.

Recentemente è stato sviluppato un metodo per studiare la correlazione nelle reti di transazioni XRP dinamiche. Questo metodo aiuta a catturare i cambiamenti significativi di prezzo di XRP.

In questo articolo, descriveremo come analizziamo le transazioni XRP su periodi settimanali tra ottobre 2017 e marzo 2018.

#Descrizione dei Dati

I dati utilizzati in questo studio includono le transazioni XRP tra diversi wallets dal 2 ottobre 2017 al 4 marzo 2018. Questi dati sono stati registrati utilizzando il Ripple Transaction Protocol, che tiene traccia delle transazioni su un libro mastro distribuito.

Abbiamo organizzato questi dati in gruppi settimanali e costruito reti dirette pesate dalle transazioni XRP per ogni settimana. In queste reti, ogni wallet gioca il ruolo di un nodo e una connessione viene creata quando XRP fluisce da un wallet all'altro. L'importo totale di XRP trasferito tra due wallet è rappresentato dal peso di quella connessione.

#Embed dei Network delle Transazioni XRP

Il network embedding è un metodo che rappresenta un network in uno spazio di dimensioni inferiori mantenendo le caratteristiche importanti. Questa tecnica rende più facile visualizzare e analizzare il network e può essere utilizzata per vari compiti come prevedere i collegamenti nel network.

Due metodi di network embedding popolari sono DeepWalk e node2vec. L'algoritmo DeepWalk crea un vettore per ogni nodo utilizzando passeggiate casuali per catturare informazioni sulla struttura della comunità del network. Genera più passeggiate casuali brevi da ogni nodo, simile a come si formano le frasi nel linguaggio. Nel frattempo, il metodo node2vec migliora DeepWalk introducendo passeggiate casuali distorte per catturare schemi più complessi nel network.

Nel nostro studio, abbiamo utilizzato node2vec per embedare le reti di transazioni XRP.

#Tensore di Correlazione dai Network XRP

Abbiamo raccolto dati sul prezzo di chiusura XRP/USD dal 5 maggio 2017 al 13 ottobre 2022. Questo periodo mostra vari picchi di prezzo, specialmente a gennaio 2018, quando abbiamo osservato un notevole incremento nei prezzi di XRP.

Per la nostra analisi, abbiamo incorporato Reti di Transazione settimanali e generato rappresentazioni vettoriali per ogni nodo. Abbiamo identificato i nodi che hanno condotto transazioni durante ogni settimana e ci siamo concentrati su questi nodi regolari, poiché sono cruciali per il trading di XRP.

Utilizzando i vettori embedati da questi nodi regolari, abbiamo calcolato un tensore di correlazione. Questo tensore ci aiuta a esplorare le relazioni all'interno delle reti di transazione e come cambiano nel tempo.

#Analizzare i Cambiamenti Temporali nei Network

Abbiamo esaminato il numero di nodi, collegamenti e volumi di transazione nelle reti XRP durante il periodo di tempo specificato. Abbiamo trovato che il numero di nodi è aumentato drasticamente intorno a dicembre 2017, per poi diminuire di nuovo a gennaio 2018.

I dati hanno anche indicato che il numero medio di collegamenti per nodo è diminuito durante il nostro periodo di studio. Inoltre, abbiamo osservato picchi significativi nel volume delle transazioni, che sembrano essere collegati alla bolla dei prezzi di XRP a gennaio 2018.

Abbiamo esaminato il comportamento dei Tensori di Correlazione, cercando schemi e spunti. I dati hanno mostrato che man mano che aumentavamo la finestra temporale utilizzata per l'analisi, la distribuzione degli elementi del tensore di correlazione diventava più pronunciata.

#Confrontare Tensori di Correlazione Empirici e Randomizzati

Per convalidare le nostre scoperte, abbiamo confrontato il tensore di correlazione empirico con una versione randomizzata. Il tensore randomizzato è stato generato utilizzando numeri casuali uniformi nei vettori dei nodi.

Quando abbiamo analizzato le distribuzioni di questi tensori, abbiamo trovato che il tensore randomizzato mostrava un modello di distribuzione simmetrica, mentre il tensore empirico mostrava una distribuzione asimmetrica con una media positiva. Inoltre, il valore singolare più grande del tensore empirico era sostanzialmente più alto rispetto a quello del tensore randomizzato.

#Investigare l'Impatto dei Parametri del Modello

Abbiamo anche esaminato come il tensore di correlazione varia in base a diversi fattori, come la dimensione dell'embedding. I nostri risultati hanno mostrato che man mano che aumentavamo la dimensione dello spazio di embedding, gli elementi del tensore di correlazione diventavano più concentrati.

La nostra analisi si è concentrata su come il tensore di correlazione cambia con diverse finestre temporali. Abbiamo scoperto che finestre temporali più piccole producevano dati più rumorosi, mentre finestre temporali più grandi portavano a una distribuzione più stabile del tensore di correlazione.

#Conclusione e Spunti

In sintesi, il nostro studio ha analizzato le transazioni XRP durante un periodo critico contrassegnato da cambiamenti significativi nei prezzi. Abbiamo costruito reti dirette settimanali dalle transazioni e utilizzato tecniche di embedding dei network per rappresentare queste reti nello spazio vettoriale.

Il tensore di correlazione derivato dai nodi embedati ci ha aiutato a ottenere spunti sulle dinamiche delle reti di transazione XRP. I nostri risultati hanno confermato che il tensore di correlazione è sensibile alla finestra temporale e i suoi elementi mostrano differenze significative rispetto a un corrispondente randomizzato.

Questa analisi offre prospettive preziose sul comportamento delle reti di transazione XRP e sulle strutture comunitarie presenti all'interno di queste reti. Utilizzando metodi come l'analisi del tensore di correlazione, i ricercatori possono comprendere meglio la natura in evoluzione dei crypto-asset e i loro impatti sul mercato.