链上异常数据检测（套利发现）
上周在footprint分享了链上数据异常的主题，趁热打铁，将分享内容以及一些未展开的细节记录下。 分享内容主要分为几块：1、背景介绍2、套利样例简述3、分析建模过程背景介绍 随着公链的崛起，链上交互数据的激增，链上数据分析也越来越重要；目前我们可以在各种链上数据分析平台看到各种各样的看板信息，而今天我们要介绍的内容相对不大一样，基于一个想法，除了普通钱包用户在链上的交互行为外，其他非正常钱包的链上行为我们也想进行了解。链上行为其实背后展示的是一个用户（或某个团体）的思路、执行策略。本质就是我们想了解下在链上世界里面异常地址的思路、执行策略；这有助于我们在黑暗森林里面进行自我保护的前提下（避免欺诈、庞氏等），寻求机会(套利、投资等)。 由于链上数据较多，在没有明确定义异常数据的规则下，我们纯靠肉眼去查看数据较难发现异常的数据，且消耗的时间、人力成本都较大；基于这种现状，我们希望借助算法工具的帮助，帮助我们去识别出算法认为一些异常数据，说白了就是先用算法帮助我们过滤掉大量的“正常”数据，剩余少量的“异常”数据，我们再通过肉眼进行观察，查看是否真的存在异常操作。 套利样例 下面两张图...
链上异常数据检测（套利发现）
上周在footprint分享了链上数据异常的主题，趁热打铁，将分享内容以及一些未展开的细节记录下。 分享内容主要分为几块：1、背景介绍2、套利样例简述3、分析建模过程背景介绍 随着公链的崛起，链上交互数据的激增，链上数据分析也越来越重要；目前我们可以在各种链上数据分析平台看到各种各样的看板信息，而今天我们要介绍的内容相对不大一样，基于一个想法，除了普通钱包用户在链上的交互行为外，其他非正常钱包的链上行为我们也想进行了解。链上行为其实背后展示的是一个用户（或某个团体）的思路、执行策略。本质就是我们想了解下在链上世界里面异常地址的思路、执行策略；这有助于我们在黑暗森林里面进行自我保护的前提下（避免欺诈、庞氏等），寻求机会(套利、投资等)。 由于链上数据较多，在没有明确定义异常数据的规则下，我们纯靠肉眼去查看数据较难发现异常的数据，且消耗的时间、人力成本都较大；基于这种现状，我们希望借助算法工具的帮助，帮助我们去识别出算法认为一些异常数据，说白了就是先用算法帮助我们过滤掉大量的“正常”数据，剩余少量的“异常”数据，我们再通过肉眼进行观察，查看是否真的存在异常操作。 套利样例 下面两张图...
