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

Resumo Técnico: Detecção de Fraudes em Mercados de Criptomoedas com Redes Neurais de Grafos Espaço-Temporais (ST-GNN)

1. O Problema

O artigo aborda a detecção de manipulações de mercado, especificamente esquemas de "pump-and-dump" (P&D), no mercado de criptomoedas. O desafio central reside no fato de que as estratégias de manipulação raramente são eventos isolados; elas são caracterizadas por coordenação, repetição e transferências frequentes entre ativos relacionados.

A maioria dos métodos de detecção atuais trata cada token de forma independente (baseando-se apenas em séries temporais de preço e volume). Além disso, há uma limitação prática: muitos conjuntos de dados reais fornecem apenas dados agregados de mercado (OHLCV - abertura, máxima, mínima, fechamento e volume) em vez de dados de transações individuais (quem enviou para quem). Isso significa que a estrutura de relacionamento entre os ativos não é observável diretamente, sendo uma variável latente que precisa ser inferida.

2. Metodologia Proposta

Os autores propõem um framework que utiliza Redes Neurais de Grafos Espaço-Temporais (ST-GNN) para capturar tanto as dependências temporais quanto as relações entre tokens. A metodologia divide-se em duas partes principais:

A. Inferência de Grafos (Construção da Estrutura Relacional):
Como não há um grafo de transações explícito, os autores propõem três métodos para construir a matriz de adjacência ($A$) a partir de dados agregados:

1. Grafo de Correlação Estático (G1): Calcula a correlação de Pearson entre séries temporais de características escolhidas (ex: volume ou número de negociações) durante o período de treinamento e aplica um limiar (threshold) para manter apenas as conexões mais fortes.
2. Grafo de Correlação Dinâmico Baseado em Eventos (G2): Atualiza a estrutura do grafo apenas em torno de eventos de fraude detectados no treinamento, permitindo capturar mudanças na correlação que ocorrem durante episódios de manipulação.
3. Adjacência Auto-adaptativa (G3): Utiliza dicionários de embeddings de nós aprendíveis via gradiente descendente. O modelo aprende a estrutura do grafo diretamente durante o treinamento, permitindo descobrir dependências latentes que não são puramente estatísticas ou baseadas em correlação linear.

B. Arquitetura ST-GNN Unificada:
O modelo processa os dados em duas etapas:

• Agregação Espacial: Para cada timestamp, uma camada de Graph Transformer utiliza a matriz de adjacência para agregar informações dos vizinhos de cada token.
• Codificação Temporal: As representações espaciais de uma janela de observação (lookback window) são empilhadas e processadas por um Transformer Encoder temporal, que captura a evolução dessas representações ao longo do tempo para prever a probabilidade de fraude.

3. Principais Contribuições

• Abordagem de Janela Global: Diferente de estudos anteriores que usam janelas locais ao redor de cada evento (o que gera um viés de seleção e resultados excessivamente otimistas), este trabalho utiliza uma janela histórica global. Isso simula um cenário de vigilância real, onde o modelo deve lidar com um desequilíbrio de classes extremo (apenas ~0,016% dos eventos são fraudulentos).
• Construção de Grafos a partir de Dados Agregados: Demonstra que é possível modelar interações entre ativos mesmo sem dados de transação nível-a-nível, utilizando apenas indicadores de mercado.
• Framework ST-GNN Unificado: Uma arquitetura que integra eficientemente mecanismos de atenção espacial e temporal.

4. Resultados

Os modelos foram testados em um dataset real de 2017 a 2021 e comparados com métodos de árvores de decisão (Random Forest e XGBoost).

• Superioridade dos Grafos: Todos os modelos baseados em grafos superaram os métodos tradicionais de machine learning.
• Melhor Desempenho: O método de Adjacência Auto-adaptativa (G3) obteve os melhores resultados em termos de F1-score (0,62), superando as correlações estáticas e dinâmicas.
• Eficiência em Casos Críticos: Para tokens específicos com alta frequência de ataques, o modelo auto-adaptativo atingiu F1-scores excepcionais (acima de 0,80 e 0,93), mostrando alta precisão e recall em ativos altamente manipulados.
• Curvas Precision-Recall: Os modelos de grafos mantiveram uma precisão significativamente maior para qualquer nível de recall em comparação aos modelos de árvores, o que é crucial em cenários de alta desproporção entre classes.

5. Significância

O trabalho demonstra que a conectividade de mercado aprendida é um componente vital para detectar esquemas de manipulação coordenados. A pesquisa prova que integrar a estrutura relacional entre ativos (mesmo que inferida) transforma a detecção de fraudes de uma tarefa de análise de séries temporais isoladas para uma tarefa de análise de sistemas complexos, aumentando drasticamente a eficácia da vigilância em mercados financeiros digitais.