🤖 machine learning

Fraud Detection in Cryptocurrency Markets with Spatio-Temporal Graph Neural Networks

Questo studio propone un'architettura di Graph Neural Network spazio-temporale che utilizza la struttura relazionale tra i token per rilevare schemi coordinati di manipolazione del mercato, come i "pump-and-dump", superando i metodi tradizionali di machine learning nel settore delle criptovalute.

Autori originali: Lidia Losavio, Luca Persia, Madan Sathe, Dimosthenis Pasadakis

Pubblicato 2026-04-28

📖 4 min di lettura☕ Lettura da pausa caffè

CC BY 4.0

Autori originali: Lidia Losavio, Luca Persia, Madan Sathe, Dimosthenis Pasadakis

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Il "Detective Digitale" delle Criptovalute: Come scovare i truffatori nel caos del mercato

Immaginate di entrare in un mercato rionale enorme, rumoroso e caotico. In questo mercato, migliaia di persone vendono e comprano piccoli oggetti (le criptovalute). All'improvviso, notate qualcosa di strano: un gruppo di venditori inizia a urlare contemporaneamente per vendere un particolare tipo di mela, facendola sembrare preziosissima. In pochi minuti, il prezzo delle mele schizza alle stelle, tutti corrono a comprarle per paura di perderne l'occasione, e un attimo dopo... il prezzo crolla. I venditori sono spariti con i soldi degli incauti acquirenti.

Questo fenomeno si chiama "Pump and Dump" (gonfiare e scaricare), ed è una delle truffe più comuni nel mondo delle criptovalute.

Il problema: I vecchi detective sono "miope"

Fino ad oggi, i software usati per scovare queste truffe erano un po' come detective che guardano ogni venditore in modo isolato. Guardano solo se il prezzo di una mela è salito troppo velocemente. Ma i truffatori moderni sono intelligenti: non agiscono mai da soli. Lavorano in gruppo, coordinandosi in modo che sembri un movimento naturale del mercato.

Se guardi solo il singolo venditore, non vedi la truffa. Per vederla, devi guardare le relazioni tra tutti i venditori.

La soluzione: La "Rete dei Sospetti" (Spatio-Temporal GNN)

Gli autori di questo studio hanno creato un nuovo tipo di detective digitale, un'intelligenza artificiale chiamata ST-GNN. Invece di guardare solo i numeri (prezzo e volume), questo sistema costruisce una mappa delle connessioni.

Immaginate che il detective non guardi solo quanto costa la mela, ma inizi a tracciare dei fili invisibili tra i venditori:

Il fattore "Spaziale" (Le Relazioni): Il sistema nota che quando il venditore A alza il prezzo, anche il venditore B e il venditore C lo fanno quasi nello stesso istante. Il detective tira una linea tra loro. Se vede troppe linee che collegano persone diverse che agiscono in modo sospetto, capisce che c'è un "complotto" (una coordinazione).
Il fattore "Temporale" (Il Ritmo): Il sistema non guarda solo un istante, ma osserva il "ritmo" del mercato nel tempo. Capisce se quel movimento è un battito cardiaco normale o un sussulto improvviso e artificiale.

I tre modi di "disegnare la mappa"

Il paper spiega che ci sono tre modi per creare questi "fili invisibili" tra le criptovalute:

La Mappa Statica: "Guardo come si sono comportati i venditori in passato e assumo che si muoveranno sempre così". (Un po' rigido).
La Mappa Dinamica: "Ogni volta che succede qualcosa di strano, ricalcolo subito chi sta collaborando con chi". (Più flessibile).
La Mappa Intelligente (Self-Adaptive): Questa è la più figa. Il detective non usa regole preimpostate, ma impara da solo a vedere le connessioni nascoste, proprio come un esperto che, dopo anni di lavoro, "sente" quando c'è puzza di bruciato senza nemmeno dover guardare i documenti.

I risultati: Un successo clamoroso

Gli scienziati hanno testato questo sistema su tre anni di dati reali. Risultato? Mentre i vecchi metodi (quelli che guardano i singoli pezzi) spesso sbagliavano o non vedevano nulla, il loro "detective di rete" è stato molto più preciso.

In particolare, la Mappa Intelligente è stata la migliore: è riuscita a scovare le truffe con una precisione molto più alta, riuscendo a distinguere tra un mercato che sta crescendo naturalmente e un gruppo di truffatori che sta orchestrando un attacco coordinato.

In sintesi

Questo studio ci dice che per proteggere gli investitori dalle truffe nelle criptovalute, non basta guardare i prezzi. Dobbiamo guardare le connessioni. Le truffe non sono eventi isolati, sono danze coordinate, e solo un'intelligenza artificiale capace di vedere l'intera coreografia può fermarle.

Riassunto Tecnico: Rilevamento delle Frodi nei Mercati delle Criptovalute tramite Spatio-Temporal Graph Neural Networks (ST-GNN)

1. Il Problema (Problem Statement)

Il mercato delle criptovalute è caratterizzato da una liquidità frammentata e da una regolamentazione meno stringente, fattori che facilitano manipolazioni di mercato come i cosiddetti schemi "pump-and-dump" (P&D). Questi eventi sono spesso coordinati e si manifestano attraverso movimenti sincronizzati di prezzi e volumi tra diversi token.

Le metodologie di rilevamento attuali presentano due limiti principali:

Indipendenza degli asset: Molti modelli di machine learning trattano ogni token come un'entità isolata, ignorando la struttura relazionale (la coordinazione tra asset) che è invece un segnale fondamentale della frode.
Limiti dei dati: Mentre i modelli basati su grafi più avanzati richiedono dati sulle transazioni (chi invia cosa a chi), i dati reali accessibili tramite API sono spesso solo aggregati a livello di mercato (OHLCV: Open, High, Low, Close, Volume), rendendo la struttura del grafo latente (non osservabile direttamente).

2. Metodologia (Methodology)

Il paper propone un framework che utilizza una Spatio-Temporal Graph Neural Network (ST-GNN) per modellare le interazioni tra i token partendo esclusivamente da dati aggregati.

A. Inferenza del Grafo (Graph Construction):
Poiché non esistono archi espliciti nei dati aggregati, gli autori propongono tre strategie per inferire la matrice di adiacenza ( $A_t$ ):

Static Correlation Graph (G1): Costruisce un grafo basato sulla correlazione di Pearson tra serie temporali di una singola feature (es. volume o numero di trade) calcolata sull'intero periodo di training.
Event-driven Dynamic Correlation Graph (G2): Un approccio dinamico che aggiorna il grafo solo in prossimità di eventi di frode noti nel training set, catturando i cambiamenti di correlazione associati alle manipolazioni.
Self-adaptive Adjacency (G3): Un metodo in cui il grafo non è predefinito ma viene appreso direttamente durante l'addestramento tramite embedding di nodi ottimizzati (tramite gradient descent), permettendo al modello di scoprire dipendenze latenti non basate su semplici correlazioni statistiche.

B. Architettura ST-GNN:
Il modello elabora i dati in due fasi sequenziali:

Aggregazione Spaziale: Per ogni timestamp, un livello di Graph Transformer utilizza l'attenzione per aggregare le informazioni dai token vicini nel grafo costruito.
Codifica Temporale: Le rappresentazioni spaziali ottenute vengono impilate in una sequenza temporale (finestra di lookback $W$ ) e processate da un Transformer Encoder per catturare l'evoluzione temporale del segnale.

3. Contributi Chiave (Key Contributions)

Framework per dati aggregati: Dimostrazione che è possibile utilizzare modelli basati su grafi anche quando la struttura di interazione non è esplicitamente fornita (problema del grafo latente).
Nuove strategie di costruzione del grafo: Introduzione di metodi che vanno dalla correlazione statistica statica/dinamica all'apprendimento auto-adattivo della topologia.
Approccio di valutazione realistico: A differenza di studi precedenti che usano finestre locali attorno agli eventi (creando un bias di selezione), questo lavoro utilizza una finestra globale, simulando un vero scenario di sorveglianza dove le frodi sono eventi estremamente rari ( $\sim 0.016\%$ delle osservazioni).

4. Risultati (Results)

Il modello è stato testato su un dataset reale di P&D (2017-2021) confrontandolo con modelli classici come Random Forest e XGBoost.

Superiorità dei Grafi: Tutti i modelli basati su ST-GNN hanno superato i modelli basati su alberi di decisione in termini di F1-score.
Vincitore - Self-Adaptive: La variante Self-adaptive (G3) ha ottenuto le prestazioni migliori (F1-score più elevato), confermando che l'apprendimento della connettività latente è più efficace delle correlazioni manuali.
Precisione e Recall: Le curve Precision-Recall mostrano che i modelli basati su grafi mantengono una precisione molto più alta rispetto ai baseline all'aumentare del recall, fondamentale in un contesto dove i falsi positivi hanno un costo elevato.
Performance sui singoli token: Per i token più colpiti, il modello self-adaptive ha raggiunto F1-score eccezionali (fino a $0.93$ per alcuni asset).

5. Significato e Conclusioni (Significance)

Il lavoro dimostra che la connettività di mercato appresa fornisce un vantaggio sostanziale nel rilevare schemi di manipolazione coordinata. L'implicazione pratica è che gli enti regolatori e le piattaforme di exchange possono implementare sistemi di sorveglianza avanzati utilizzando solo i dati di mercato standard (OHLCV), senza necessità di accedere ai dati granulari delle transazioni on-chain, rendendo il rilevamento delle frodi più scalabile e applicabile su larga scala.