运营数字资产交易所Upbit的Dunamu宣布,公司共有3篇AI与区块链相关研究论文入选国际金融AI学术会议ICAIF2026,其中1篇入选主会,另外2篇入选专题研讨会。
ICAIF2026全称为ACM International Conference on AI in Finance,由国际计算机学会ACM(Association for Computing Machinery)主办,是金融AI领域的国际学术会议。
此次入选主会的论文题为《利用准备金证明对基于以太坊的中心化交易所钱包链上行为特征进行分类》。该研究由Dunamu量化团队研究员Seongchan Park等人参与,基于15家交易所披露的准备金证明(Proof-of-Reserves)数据,对约303万个以太坊钱包地址进行了分析。
研究团队从交易模式、代币流转以及Gas使用量等维度提取了58项行为特征,并提出了一种识别中心化交易所钱包的机器学习方法。根据Dunamu披露,在对未纳入模型训练的交易所钱包进行评估后,该方法的PR-AUC平均达到0.9594,显示其不仅可用于识别已知交易所钱包,也具备识别新交易所钱包的可行性。
Dunamu表示,上述技术目前已部分应用于Upbit Data Lab的区块链分析服务,用于对交易所、巨鲸、基金会等不同主体的资产持仓进行分析。
入选专题研讨会的其中一篇论文聚焦大语言模型(LLM)在数字资产分类中的应用。该论文题为《面向机构的数字资产分类体系语义转换》,由Dunamu量化团队负责人Hyeonho Jeon等人参与,提出了一种借助LLM分析智能合约代码、识别数字资产实际用途并按金融功能进行分类的方法。
研究团队以以太坊主网上的主要去中心化金融(DeFi)协议为对象开展实验,覆盖Uniswap、Aave、Curve等项目。结果显示,在17个分析对象中,有16个与既有分类标准一致,一致率约为94%。Dunamu计划将这一方法用于进一步完善Upbit数字资产分类体系(UBCS)。
另一篇入选专题研讨会的论文题为《不完整交易记录下入金资金使用额估算范围》,探讨了在交易记录不完整的情况下,对链上资金流进行分析所需具备的条件。该研究由Dunamu FDI团队项目负责人Seongyong Kim、FDI团队负责人Minseob So等人参与,结合以太坊钱包交易案例和区块链执行实验,确认了提升资金来源分析可信度所需的关键信息。
Dunamu表示,相关成果将用于提升链上资金追踪解决方案OTS(Onchain AI Tracer System)的分析可信度,并计划进一步应用于AI驱动的金融犯罪分析技术。
Dunamu首席数据官(CDO)Daehyeon Kim表示,此次研究的意义在于验证了利用AI技术更精细地分析区块链数据,并提升分析结果可信度的可能性。