Detailansicht
Assessing wash trades in large-scale transaction networks
Markus Zimmball
Art der Arbeit
Masterarbeit
Universität
Universität Wien
Fakultät
Fakultät für Informatik
Studiumsbezeichnung bzw. Universitätlehrgang (ULG)
Masterstudium Informatik
Betreuer*in
Yllka Velaj
DOI
10.25365/thesis.79692
URN
urn:nbn:at:at-ubw:1-17028.12813.605584-9
Link zu u:search
(Print-Exemplar eventuell in Bibliothek verfügbar)
Abstracts
Abstract
(Deutsch)
Beim Wash Trading handelt es sich um eine Form der Marktmanipulation, bei der Vermögenswerte gezielt durch kontrollierte Konten zirkulieren, um künstliches Handelsvolumen zu erzeugen. Diese Praktik gefährdet die Integrität von Finanzmärkten erheblich, insbesondere in neu entstehenden digitalen Vermögenswert-Ökosystemen. Die vorliegende Arbeit präsentiert DSCENT (Dynamic Streaming Cycle Enumeration with Temporal constraints), einen neuartigen Algorithmus zur Erkennung temporaler Zyklen in kontinuierlichen Transaktionsströmen, der potenzielle Wash-Trading-Muster in Echtzeit identifiziert. Anders als bestehende Ansätze wie 2SCENT, die Transaktionen in Chargen verarbeiten, verarbeitet DSCENT eingehende Transaktionen unmittelbar mittels einer Streaming-Architektur, die auf dynamischer Generierung, paralleler Ausführung und adaptivem Speichermanagement basiert. Die Evaluierung des Algorithmus erfolgte anhand zweier realer Datensätze: der Meebits NFT-Kollektion sowie 1,8 Milliarden Ethereum-Blockchain-Transaktionen. Die Analyse des Meebits-Ökosystems offenbarte umfangreiche zyklische Handelsmuster, die zeitlich mit der LooksRare-Token-Belohnungsperiode (Januar-März 2022) zusammenfielen — in dieser Phase regte der NFT-Marktplatz durch Token-Ausschüttungen das Handelsvolumen an. Dabei stellten etwa 50% der erkannten Komponenten triviale Zwei-Parteien-Austausche dar. Die Leistungsbewertung anhand der Ethereum-Daten belegt die Skalierbarkeit des Algorithmus: Der gesamte Datensatz wurde in unter zwei Tagen verarbeitet, wobei der Speicherverbrauch 87 GB nicht überstieg. Gegenüber 2SCENT erzielte DSCENT erhebliche Verbesserungen — sowohl hinsichtlich der Laufzeit (15-facher Geschwindigkeitsgewinn) als auch der Speichereffizienz (10-fache Reduktion). Die Identifikation optimaler Parameter, welche Erkennungsfähigkeit und Recheneffizienz ausbalancieren, liefert praktische Leitlinien für den Einsatz in realen Systemen. Trotz bestehender Einschränkungen bei der Erkennung hochentwickelter Manipulationsschemata und der Validierung eindeutiger Referenzdaten leistet diese Arbeit einen wesentlichen Beitrag zur Wahrung der Marktintegrität in dezentralisierten Finanzsystemen, wo traditionelle Überwachungsmechanismen an ihre Grenzen stoßen.
Abstract
(Englisch)
Wash trading is a form of market manipulation where assets circulate through controlled accounts to create artificial trading volume. This practice poses significant challenges to financial market integrity, particularly in emerging digital asset ecosystems. This thesis presents DSCENT (Dynamic Streaming Cycle Enumeration with Temporal constraints), a novel algorithm designed to detect temporal cycles in continuous transaction streams, enabling real-time identification of potential wash trading patterns. Unlike existing batch-processing approaches such as 2SCENT, DSCENT processes transactions as they arrive using a streaming architecture with runtime generation, parallel execution, and adaptive memory management. The algorithm was evaluated on two real-world datasets: the Meebits NFT collection and 1.8 billion Ethereum blockchain transactions. Analysis of the Meebits ecosystem revealed extensive cyclic trading patterns coinciding with the LooksRare token reward period (January–March 2022), when the NFT marketplace incentivized trading volume through token distributions, with approximately 50% of detected components representing trivial two-party exchanges. Performance testing on Ethereum data demonstrated the algorithm’s scalability, processing the entire dataset in under two days while maintaining memory consumption below 87 GB. DSCENT achieved order-of-magnitude improvements over 2SCENT in both runtime (15x speedup) and memory efficiency (10x reduction). The identification of optimal parameters balancing detection capability with computational efficiency provides practical guidance for deployment. While limitations exist in detecting sophisticated manipulation schemes and validating ground truth, this work contributes essential tools for maintaining market integrity in decentralized financial systems where traditional surveillance mechanisms are inadequate.
Schlagwörter
Schlagwörter
(Deutsch)
Scheinhandel Marktmanipulation Zykluserkennung Echtzeiterkennung 2SCENT
Schlagwörter
(Englisch)
Wash Trading Market manipulation Cycle detection Real-time detection Streaming algorithm
Autor*innen
Markus Zimmball
Haupttitel (Englisch)
Assessing wash trades in large-scale transaction networks
Paralleltitel (Deutsch)
Analyse von Scheingeschäften in umfangreichen Transaktionsnetzwerken
Publikationsjahr
2025
Umfangsangabe
xiii, 47 Seiten : Illustrationen
Sprache
Englisch
Beurteiler*in
Yllka Velaj
Klassifikation
54 Informatik > 54.80 Angewandte Informatik
AC Nummer
AC17718286
Utheses ID
78180
Studienkennzahl
UA | 066 | 921 | |