<mark id="oztn4"></mark>
0
| 本文作者： 李秀琴 | 2018-03-19 00:17 |
雷鋒網·AI金融評論按：目前，大多數 ICO 不受政府法規的約束，交易平臺或機構缺乏一套嚴密的評估體系，這也直接導致了 ICO 詐騙事件的層出不窮（注：典型案件可參考《史上最大ICO代投詐騙：帶頭人“李詩琴”疑跑路，涉案金額超6000萬元》了解）。日前，香儂科技創始人、斯坦福大學博士李紀為聯合美國加州大學圣塔芭芭拉分校、斯坦福大學共同提出了一種基于深度學習的加密貨幣 ICO 詐騙鑒別系統——IcoRating，以試圖改善這一局面。
據悉，IcoRating系統由李紀為和其團隊基于 NLP 技術分析了市面上共 2251 種數字貨幣而得出。他們調查了這些數字貨幣的各個方面，包括生命周期、價格 變化和白皮書內容、創始團隊、Github 資料庫和官網等 ICO 信息，從而預測并實現了識別詐騙 ICO 項目的0.83的精確度。
對此，該團隊在論文中表示：
我們希望這項工作能夠幫助投資者識別ICO詐騙項目，并自動評估和分析ICO項目。
2017年，902個基于眾籌的數字貨幣中，45.6%已經失敗
加密貨幣正獲得前所未有的關注和理解。與中心 化的電子貨幣和中央銀行系統不同，大多數數字法幣不受中央和地方機構的監管。對這些去中心化 的系統的控制，可通過一個開放、持續增長的分布式賬本——區塊鏈來實現。
如圖1所示，在過去 三年中，數字貨幣的市 場資本化程度得到了巨幅的提升。根據 Cryptocurrency Market Capitalizations 提供的數據，加密貨幣的單日最高交易量已接近2017年紐約證券交易所交易量的日平均值。
圖：2013年7月至2018年1月的數字貨幣市場資本化情況
由于其去中心化的本質，數字貨幣的眾籌融資并不需要具備風險投資的所有必要條件，而是通過 ICO 來完成。ICO，也稱為首 次代幣發售，是用區塊鏈將使用權和加密貨幣合二為一，來為開發、維護、交換相關產品或者服務的項目進行融資的方式（注：參考“ICO”的維基百科）。
在 ICO 中，投資者用法 定貨幣（例如美元、人民幣）或其他加密貨幣（例如BTC、ETH）來獲得眾籌的加密貨幣。當 ICO 完 成后，這些用于眾籌的加密貨幣將具備貨幣的功能單位。新型幣種在發行前，一般會先準備一個白皮書，以詳細 介紹這個幣種的商業性、技術性和金融性特征。
從圖2可以看出，ICO 項目的數量 從2013年7月到2017年1月一直呈現穩 步增長的 態勢，并在 2017 年突飛猛進。
圖：2013年7月至2018年1月的ICO項目增長情況
盡管 ICO 能提供公平合法的投資機會，但眾籌的便利也為一些不擇手段的企業通過 ICO 謀利創造了機會和激勵機制。群涌而起的 ICO，其中不乏一些項目發 起人以通過眾 籌抬高加密貨幣的價值，從而快速出售貨幣以獲利。除此之外，加密貨幣的去中心化本 質也給政府監管帶來了重大挑戰。
根據Engadget數據顯示，2017年，902個基于眾籌的數字貨幣中，45.6%已經失敗。從圖3和圖4來看，還有一個更為嚴重的問題。
圖3和圖4中，x軸上的間隔代表（ICO）價格的變 化范圍，而y軸上的對應值 則表示 ICO 項目貢獻的百分比。可以看出：
4.56% 現有 ICO 項目在發行半年后都遭受了價格下跌，其程 度甚至超過 99.9%，而在發行一年后，這個比例上升到6.89%；
約有 29% 的項目在發行半年后，價格下跌了80%以上，一年 后，這個比例增長到驚人的 39.6%。
雖然這樣說可能有點不負責任——即每一個在發行后價格急劇下跌的 ICO 項目都是騙局，但在 ICO 前建立一個可靠的 ICO 信用評級系統來評估數字貨幣是必要而迫切的。
在這種情況下，李紀 為研究團 隊提出了 IcoRating 這種基于機器學習的 ICO 評分系統。通過分析 2251 個 ICO 項目，該團隊 將數字貨幣 的生命周期 和價格變化以 及各種 級別的 ICO 信息（包括其白皮書、創始團隊、Github 資料庫、網站等）相 關聯。在最佳設置 的情況下，該項目 能夠以0.83的精確度和0.80的F1分數來識別ICO詐騙項目。
與人類設計的評分系統相比，IcoRating 系統具有兩個關鍵優勢：
客觀性：機器學習模型涉及的先驗知識更少，可從數據中學習因果關系，這與需要大量人類專家的人類評級系統相反，而人 類專家不可避免會引入偏見。
不會被人為隨意篡改：信用評級的結果是通過黑盒培訓從機器學習模型中輸出的。這個過程不用那么多的人員參與和干預。
加密貨幣、區塊鏈和ICO
在李紀為這篇論文的 第二個章節中，主要介紹了加密貨幣、區塊鏈和 ICO 的相關信息。如果密切關注幣圈和鏈圈的人士可能對這三個概念已諳熟于心。
1、加密貨幣
加密貨幣是“一種數字資產”，被視作交易媒介，通過加密技術以確保交易。大多數加密貨幣是去中心化的。第一個真正意義上的去中心化加密貨幣是比特幣（也稱BTC），由一個或一群不明身份的人在 2009 年以 Satoshi Nakamoto（中本聰）之名創建。自 BTC 出現以后，各種加密貨幣蜂擁而至，其中最知名的包括 Ethereum（簡稱ETH）、Ripple（簡稱RIP）、EOS 和 NEO。
2、區塊鏈
加密貨幣的交易由區塊鏈提供驗證。人們可以將區塊鏈視為分布式賬本。它可以不斷增長并永久紀錄雙方之間的所有交易。每條紀錄都稱為一個區塊，包含鏈接到前一個區塊、時間戳和交易數據的加密哈希指數。該賬本以分布形式被所有參與者擁有，且記錄只能在改變所有后續網絡區塊的情況下得到更改。當交易發生時，會廣播給網絡中的所有節點。區塊鏈使用多種時間戳方案，如 PoW（工作證明）或 PoS（股權證明）。
區塊鏈的概念消除了數據集中存儲而帶來的風險：沒有集中的故障點，數據對每個參與者都是透明的。
3、ICO
如前所述，ICO 是以加密貨幣為中心的眾籌融資手段，其可為早期項目提供眾籌機會，逃避風險投資家、銀行和證券交易所規則的限制。它們還提供了超越風險投資或私募股權投資的投資機會，二者是早期投資機會的主導。
另一方面，由于缺乏監管，ICO 給投資者帶來了重大風險。不同國家對 ICO 和加密貨幣有不同的規定。例如，中國政府禁止所有 ICO，而美國證監會（SEC）則表示它有權對 ICO 施行聯邦證券法，而委內瑞拉政府則推出了自己的加密貨幣petromoneda（簡稱石油幣）。
IcoRating系統驗證過程、方法
1、白皮書分析：內容差異巨大
在 IcoRating 系統的驗證過程中，該研究團隊從各種平臺包括 CryptoCompare、CoinMarketCap和CoinCheckup一共收集了2251個 ICO 項目信息。并在這些項目中獲得了 1317 份白皮書。
表1：ICO白皮書的各項統計數據
如表1所示，其顯示了 ICO 白皮書的各項統計數據，包括平均值、標準差，最大和最小字數和句子數。研究團隊從中得出一個顯著特征 ，白皮書的長度差異明顯。最多的一份白皮書中包含 6228 個句子，最少 38 個。具體地說，隨機抽樣的 10 份白皮書中的句子數量分別為886、143、38、967、3379、6228、496、2057、3075 和 298。雖然白皮書的篇幅不一定能反映 ICO 項目的質量，但從中也能看出 ICO 白皮書內容的巨大差異。
李紀為研究團隊在收集而來的 白皮書上運行了一個隱含狄利克雷分布（Latent Dirichlet Allocation：簡稱LDA）模型。LDA 是一種生成 性的統計模型，可以將文檔集中每篇文檔的主題并以概率分布的形式給出，從而通過分析一些文檔抽 取出它們的主題（分布），便可以根據主題（分布）進行主題聚類或文本分類。同時，它是一種典型的詞袋模型，即一篇文檔是由一組詞構成，詞與詞之間沒有先后順序的關系。
2、IcoRating：一個基于機器學習的評級模型
在描述創始團隊信息時，研究團隊的數據以下述信息為藍本：
Justin Sun，生于1990年，本科畢業于北京大學，碩士 畢業于賓夕法尼亞大學，是移動社交應用陪我和 TRON 的創始人兼 CEO，Ripple 大中華區的前首席代表。獲 2011 年亞洲周刊封面人物；2014年達沃斯全 球杰出青年；2015年 CNTV 年度新人物；2017年福布斯亞洲 Under30 企業家...
研究人員的目標是自 動從創始團隊成員中提取 最重要的特征，并將其視為 NLP 標簽問題。為此，他們定義 了5類標簽：出生年份、大學、學位、公司和所獲獎項，并將數據集分為不同種類進行培訓、開發和測試。
IcoRating 對 ICO 項目使用的知識非常少，但卻能夠從真實世界中收集的數據集中學習到各個功能的重要性。
如前所述，IcoRating 是一個基于機器學習的評級模型。它使用的是 監督學習模型。在標準監督學習設置中，研究人員希望找到模型 F，可使輸入 x 映射至輸出 y：
這個公式中，輸入“x”代表“一個 ICO 項目”，其中包括公開可 用信息的不用方面；輸出“y"，該值介于0到1之間，是一個二進制 變量，用于 指示該 ICO 項目是否為 詐騙項目；“F”代表預測函數。
在訓練期間，我們將 ICO 項 目一年的價 格變化作為訓練的信號，試圖通過已知的 ICO 信息來預測其價格變化。預測函數 F 由最大化預測 ICO 價格變化和黃金標準價格變化之間的L2差異來學習。
其中，在收集到的 2251 個項目中，研究人員收集了 1482 個項目的歷史價格，且這些 ICO 項目至少實行了一年及以上（截止到本研究進行時）。
在測試期間，F（x）可預測 價格變化，如果預測價格低于其 ICO 價格的“m”值，則可認為該項目為詐騙。在本次研究中，研究人員根 據要求將“m”設置為 0.01、0.1和1。
IcoRating測試結果
測試結果通過不同的特征組 合來識別 ICO 詐騙項目的結果，這些組合由白皮書、Github 資料庫、創始團隊、網站這四個特征任意組合而呈。
隨著 “m” 值從0.01增加到0.1，再增加到1，詐騙項目的比例逐漸增加，精度逐漸提高，召回率也在逐漸降低。
最終測試結果顯示，白皮書 和 Github 資料庫是最 重要的兩 類特征。在 “m” 被設置為0.1和0.5時，其獲得的 F1 分數均為0.7。通過增加更多的特征，研究人員得到了更高的精確度和更低的召回率。當將所有特征組合考慮進去時，IcoRating 模型在“m值被設置為1”時，其預測的 ICO 詐騙項目 實現了0.83的精確度、0.77 的召回率和 0.80 的 F1 分數。
雷鋒網·AI金融評論注：該篇論文來自于https://arxiv.org/pdf/1803.03670.pdf，雷鋒網·AI金融評論對其進行重點編譯。
——————全文完——————
【今日福利】
比特幣等虛擬貨 幣的波動性總是出乎 人意料，資本和人心難以捉摸，但價格的另一 影響因素卻樸素得多——技術和應用 價值。這也是2017年區塊鏈行業的關鍵詞。過去的一年，在眾多大小公司涌入區塊鏈，POC 項目和 代幣遍地開花的同時，也有一些先行者呼吁，“不要為了區塊鏈而區塊鏈”。
技術的發展 永無止境，在這條探索的道路上，我們看到的不只是尸骨，還有正在建造的座座豐碑。2017年，雷鋒網曾與數十家區塊鏈行業傳統企業、新創公司進 行對話，并報道。現在我們選取了其中8家代表性機構的實踐 案例，包括工商銀行、招商銀行、平安集團、銀聯、螞蟻金服等，匯編成特輯報告。除此外，還有20+智能金融公司案例，涵蓋普惠金融、風控信貸、財富管理等議題。
以下為特輯部分目錄：
● 世界經濟論壇報告：全方位評估 Fintech 將如何顛覆金融業競爭格局，包括路徑、模式和終局
● 前瑞銀大牛：區塊鏈如何變革傳統金融兩大應用模式？
● 區塊鏈+金融，帶你直擊實踐應用中的需求和痛點
● 比特幣、以太坊、區塊鏈、代幣、ICO，你需要知道的一切都在這了
....
戳這里（ http://www.zaocj.com/specialEdition/detail/s/5a4c9564b9e38），查看雷鋒網 Fintech 年度特輯全文。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
