出差和岳 详细介绍1974-1975年青海省贵德县河东乡贡巴大队知青1975-1977年青海省商业厅通讯员1977-1980年北京大学哲学系哲学专业学习1980-1982年青海省商业厅政治处干事,省商业学校教师、校团委书记1982-1983年青海省商业学校教务科副科长1983-1984年青海省商业厅政治处副主任、厅团委书记1984-1986年青海省五金交电化工公司党委书记、经理1986-1991年青海省商业厅副厅长、党委副书记1991-1993年青海省商业厅厅长、党委书记(兼省供销联社主任)1993-1994年青海省省长助理,省财政厅厅长、党组书记1994-1995年青海省副省长兼省财政厅厅长、党组书记1995-1997年青海省副省长1997-1997年青海省副省长、西宁市委书记1997-1999年青海省委副书记、西宁市委书记(1996-1998年中国社会科学院研究生院货币银行专业研究生课程班学习;-中央党校省部级干部进修班学习)1999-2000年青海省委副书记、代省长2000-2003年青海省委副书记、省长2003-2003年青海省委书记、省长2003-2004年青海省委书记2004-2007年青海省委书记、省人大常委会主任(2002-2005年中央党校在职研究生班政治学专业学习)2007-2008年陕西省委书记2008-2012年陕西省委书记、省人大常委会主任2012-2017年中央政治局委员、中央书记处书记,中央组织部部长2017-中央政治局常委,中央纪律检查委员会书记

简单靠谱的算法,教你如何在线识别交易所刷量。

原文标题:《Vitu 手把手教你识别哪些交易所在刷量》
作者:Vitu.ai,数字资产数据和研究服务商

大部分的交易所或多或少都会刷量。

然而在流动性不好的交易所里,虚假的成交量对于交易人群而言,具有很可怕的消极影响。比如说看见的价位无法成交,产生滑点。

对于大部分投资人来说,目前的很多机构,像 Bitwise,BTI,又或者 Nomics,发布的各种研究,相对而言还是晦涩难懂的,自己也没有办法复现研究思路,只能接受报告的结论。

Vitu.ai 作为数字资产数据和研究服务商, 将会为广大投资人解决两个痛点,在本篇手把手教导大家如何在线识别交易所刷量:

  • 痛点一:在于到底如何定义一眼就能看懂的指标
  • 痛点二:在于有效地获取各交易所高质量的数据

Real 10 的来龙去脉

2019 年 3 月 Bitwise 在向 SEC 提交的报告中指出比特币市场「刷量」行为严重, 仅有 10 家交易所能够报告真实交易量。

此报告是研究机构首次通过公开渠道发表关于「刷量」的研究, 市场参与者对这一结果表示震惊。

手把手教你识别哪些交易所在刷量参考来源:Bitwise

研究发布后,多数交易所已经减少了刷量,而另外一些交易所甚至针对 Bitwise 所使用的某些方法进行了技术升级,对于大部分投资者来说识别刷量是很难的事情。

Vitu.ai 将会开源一个简单靠谱的算法,使得交易所做市团队也没有办法「技术升级」。

毕竟对于买方来说,进行数字资产的投资第一步即是选择一个靠谱的交易所。

指标公式

我们来定义一个重要的衡量指标,SPV,全称 size per visit,这个指标可以估计每过来一个用户在指定的交易所平均的成交量是多少。

手把手教你识别哪些交易所在刷量

其中,本分析中会使用到两个重要的数据:

(1) 当日的总成交额

以 Binance 的 BTC/USDT 这一交易对在 2019 年 9 月 24 日的成交量为例。从交易所 api 采集到的是成交时间序列,数据结构如下:

手把手教你识别哪些交易所在刷量

其中,p 代表成交价格,q 代表成交量,t 代表成交时间。

将 2019 年 9 月 24 日 00:00:00 到 23:59:59 之间的每笔成交额汇总,得到当日的总成交额。

(2) 交易所平均日访问人数

我们将采用 SimilarWeb 的 9 月统计的交易所平均月访问人数,再除以 30 得到交易所平均日访问人数。

数据准备

这个研究将会以 2019 年 9 月 24 日的 binance,poloniex,coinbase,和 coinbene 四家交易所的数据为例。(vitu 即将上线关于更多交易所的历史和实时数据的 api。)

手把手教你识别哪些交易所在刷量

手把手教你识别哪些交易所在刷量

从上方代码的运行结果,我们可以看到在 2019 年 9 月 24 日的当天,四个交易所:

  • binance 发生了 39 万多笔成交
  • coinbase 发生了 7 万多笔成交
  • poloniex 发生了 5 千多笔成交
  • coinbene 发生了 3 万多笔成交

手把手教你识别哪些交易所在刷量

画图时间

这里会用直方图一一描述四个交易所在 2019 年 9 月 24 日的当日成交量 , 9 月访问人数和 SPV。

(1) 交易所的成交量

我们先来看一下成交量,一个交易所可以自我伪造的数据。

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

binance(橙色) 是最多的,而 coinbene(红色) 居然超越了 coinbase(绿色),和 poloniex (蓝色)。

(2) 交易所的月访问人数

再看看月访问人数,一个交易所无法自我伪造的数据。

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

我们发现 coinbase(绿色) 是最多的,binance(橙色) 其次,poloniex(蓝色) 第三,而 coinbene(红色) 是最少的。

(3) size per visit

最后我们来看一下通过以上两个数据计算得到的 size per visit。

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

从上图可以看到,poloniex,binance 和 coinbase 的 spv 都比较正常,而 coinbene(红色) 的每个用户平均交易1.6个比特币!!!

这个简直是奇迹,不是疯狂刷量就奇了怪了。

因此,通过 SPV 这一指标的直方图分布,我们可以清晰明了地推理出 coinbene 在 2019 年 9 月 24 日这一天伪造了交易量。

交易所的成交分布

如果 SPV 是需要计算后画图的,那么我们可以直接将 2019 年 9 月 24 日采集到的逐笔成交量画图,这个直方图一目了然地展现交易所是否在刷交易量。

(1) poloniex 成交分布

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

(2) binance 成交分布

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

(3) coinbase 成交分布

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

poloniex,binance 和 coinbase 在 2019 年 9 月 24 日的成交分布都很正常,绝大多数用户的比特币交易量呈现散户的特质,分布于 0.00 到 0.02 之间。

同时单笔交易的成交量有正常人类的整数效应,即买 0.5 或者 1 个比特币,而不是买 0.42 或者 0.78 个比特币。

(4) coinbene 成交分布

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

而 coinbene 在 2019 年 9 月 24 日这一天的分布看上去像是一个程序控制的算法叠加生成的,在每个区间连续分布而又不具备自然人类的整数效应。

因而,我们通过逐笔成交的分布,也可以得出 coinbene 在 2019 年 9 月 24 日伪造了交易量。

当 coinbene 不刷量的时候

当我们用同样的逻辑去验证另 coinbene 在 2019 年 9 月 26 日的 SPV 和逐笔成交量时:

(1) size_per_visit

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

coinbene 的人均成交量仅次于 binance,为 0.062 个比特币左右,和前两天的 1.6 个比特币形成鲜明的对比。

(2) coinbene 成交分布

手把手教你识别哪些交易所在刷量参考来源:Vitu.ai

上图可以看出 coinbene 在 2019 年 9 月 26 日这一天的交易量就没有过分伪造,绝大多数的投资人分布在 0.00 到 0.02 之间。

由此可见,现在的交易所伪造交易量时也是大大的狡猾,作为数字资产的投资人,只能擦亮眼睛,用数据时刻验证。

总结

一方面来说,SPV(Size per Visit) 是衡量刷量一个最简单直接的办法,因为访问量是做市团队没办法作假的数据。 这个是由交易所的综合运营实和真实的市场流量来决定的。

另一方面来说,逐笔成交的分布是另外一个容易去分析的数据。

另外还有很多可以深入研究的方法,我们在 Vitu.ai 等你来挖掘。毕竟数据从不说谎,区块链的世界也不例外。

来源链接:mp.weixin.qq.com