Analisando Transações de XRP: Um Review de Dois Anos

Os criptoativos ficaram populares no mundo todo. Um dos criptoativos mais conhecidos é o XRP. Este artigo analisa os dados de transações do XRP de 2017 a 2018, um período de mudanças significativas nos preços do XRP.

Com os criptoativos se tornando mais comuns, eles atraem mais atenção dos investidores. Mas investir neles pode ser arriscado por causa da volatilidade dos preços. Além disso, a ascensão dos criptoativos pode afetar os mercados financeiros tradicionais e levantar preocupações sobre questões como lavagem de dinheiro. Em resposta, muitos governos estão começando a introduzir regulamentações para seu uso. Pesquisadores estão estudando cada vez mais os criptoativos para entender mudanças de preços, padrões de transações e a tecnologia subjacente.

Enquanto muitos estudos se concentram em Bitcoin e Ethereum, há menos pesquisa sobre o XRP. Nosso trabalho pretende analisar as transações de XRP em mais detalhes.

#Entendendo a Análise de Séries Temporais

A análise de séries temporais envolve vários métodos usados para entender e obter insights de dados coletados ao longo do tempo, como em mercados financeiros ou registros médicos. Uma técnica comum usada na análise de séries temporais é a correlação cruzada, que examina como duas variáveis se relacionam ao longo do tempo.

A forma mais simples de medir a correlação entre duas variáveis é a Correlação de Pearson. Esse método calcula quanto uma variável muda quando a outra muda. O método de correlação cruzada, quando combinado com a teoria de matrizes aleatórias, forneceu insights importantes em muitos sistemas.

Recentemente, foi desenvolvido um método para estudar a correlação em redes de transações dinâmicas do XRP. Esse método ajuda a capturar mudanças significativas nos preços do XRP.

Neste artigo, vamos descrever como analisamos as transações de XRP em períodos semanais entre outubro de 2017 e março de 2018.

#Descrição dos Dados

Os dados usados neste estudo incluem transações de XRP entre diferentes carteiras de 2 de outubro de 2017 a 4 de março de 2018. Esses dados foram registrados usando o Ripple Transaction Protocol, que registra transações em um livro-razão distribuído.

Organizamos esses dados em grupos semanais e construímos redes direcionadas ponderadas a partir das transações de XRP de cada semana. Nessas redes, cada carteira desempenha o papel de um nó e uma conexão é feita quando o XRP flui de uma carteira para outra. O total de XRP transferido entre duas carteiras é representado pelo peso daquela conexão.

#Embedding de Redes de Transações do XRP

O embedding de rede é um método que representa uma rede em um espaço de dimensão inferior enquanto preserva características importantes. Essa técnica facilita a visualização e análise da rede, e pode ser usada para várias tarefas, como prever links na rede.

Dois métodos populares de embedding de rede são o DeepWalk e o node2vec. O algoritmo DeepWalk cria um vetor para cada nó usando caminhadas aleatórias para capturar informações sobre a estrutura da comunidade da rede. Ele gera várias caminhadas aleatórias curtas a partir de cada nó, semelhante à formação de sentenças em uma linguagem. Enquanto isso, o método node2vec aprimora o DeepWalk ao introduzir caminhadas aleatórias enviesadas para capturar padrões mais complexos na rede.

Em nosso estudo, usamos o node2vec para embutir as redes de transações do XRP.

#Tensor de Correlação das Redes do XRP

Coletamos dados sobre o preço de fechamento do XRP/USD de 5 de maio de 2017 a 13 de outubro de 2022. Esse período mostra vários picos de preço, especialmente em janeiro de 2018, quando observamos um aumento notável nos preços do XRP.

Para nossa análise, incorporamos redes de transações semanais e geramos representações vetoriais para cada nó. Identificamos nós que realizaram transações durante cada semana e focamos nesses nós regulares, pois eles são cruciais para a negociação do XRP.

Usando os vetores embutidos desses nós regulares, calculamos um tensor de correlação. Esse tensor nos ajuda a explorar relações dentro das redes de transações e como elas mudam ao longo do tempo.

#Analisando Mudanças Temporais nas Redes

Examinamos o número de nós, links e volumes de transações nas redes de XRP durante o período especificado. Descobrimos que o número de nós aumentou dramaticamente em dezembro de 2017, apenas para cair novamente em janeiro de 2018.

Os dados também indicaram que o número médio de conexões por nó diminuiu durante nosso período de estudo. Além disso, observamos picos significativos no volume de transações, que pareciam estar ligados à bolha de preços do XRP em janeiro de 2018.

Investigamos o comportamento dos Tensores de Correlação, procurando padrões e insights. Os dados mostraram que, à medida que aumentamos a janela de tempo usada para análise, a distribuição dos elementos do tensor de correlação se tornou mais pronunciada.

#Comparando Tensores de Correlação Empíricos e Aleatorizados

Para validar nossas descobertas, comparamos o tensor de correlação empírico com uma versão aleatorizada. O tensor aleatorizado foi gerado usando números aleatórios uniformes nos vetores dos nós.

Ao analisar as distribuições desses tensores, descobrimos que o tensor aleatorizado apresentou um padrão de distribuição simétrico, enquanto o tensor empírico mostrou uma distribuição assimétrica com uma média positiva. Além disso, o maior valor singular do tensor empírico foi substancialmente maior do que o do tensor aleatorizado.

#Investigando o Impacto dos Parâmetros do Modelo

Também examinamos como o tensor de correlação varia com base em diferentes fatores, como a dimensão do embedding. Nossas descobertas mostraram que, à medida que aumentamos a dimensão do espaço de embedding, os elementos do tensor de correlação se tornaram mais concentrados.

Nossa análise se concentrou em como o tensor de correlação muda com diferentes janelas de tempo. Descobrimos que janelas de tempo menores produziam dados mais ruidosos, enquanto janelas de tempo maiores levavam a uma distribuição mais estável do tensor de correlação.

#Conclusão e Insights

Em resumo, nosso estudo analisou as transações de XRP durante um período crítico marcado por mudanças significativas nos preços. Construímos redes direcionadas semanais a partir das transações e usamos técnicas de embedding de rede para representar essas redes em espaço vetorial.

O tensor de correlação derivado dos nós embutidos nos ajudou a obter insights sobre a dinâmica das redes de transações do XRP. Nossas descobertas confirmaram que o tensor de correlação é sensível à janela de tempo e seus elementos apresentam diferenças significativas quando comparados a um contraparte aleatória.

Essa análise oferece perspectivas valiosas sobre o comportamento das redes de transações do XRP e as estruturas comunitárias presentes dentro dessas redes. Usando métodos como a análise de tensor de correlação, pesquisadores podem entender melhor a natureza em evolução dos criptoativos e seus impactos no mercado.