人工智能大赛参赛作品介绍

尊敬的评委老师，大家好。我们的选题是数字货币交易行为分析与市场监管策略。

在数字时代，数字货币市场潜力巨大且伴随风险。我们肩负创新与责任，探索这一领域。今天，让我们走进数字货币交易分析与监管策略的探索。

近年来，针对数字货币市场，在规模扩张和交易活跃化背景下，本项目通过自动化交易行为分析与智能策略生成，结合行业权威平台的链上交易数据监管政策框架，完成Coze平台的智能agent搭建。

我们的数据来源于区块链浏览器，并附两个链接示例。

另一部分数据来自链上实时数据，并附两个链接示例。

知识库整合了法规政策、数字货币白皮书及市场动态等多维度权威信息，并附有四个链接示例。

数据库预处理时，用Python调用接口收集和清洗数据，处理缺失值和异常值并转换格式，例如将时间戳转为统一格式并归一化，最后将数据存入MySQL数据库。知识库预处理方面，通过浏览器搜索和文献查询收集资料，创建并导入数据到知识库，切分文档后进行命中测试，确保知识库准确可用。

这是我们智能体工作搭建的整体思维图。意图识别交易模式首先信息收集节点，判断是否收到文件信息，如果收到则进入自主创建的数字货币交易模式识别组件，输出交易模式识别结果。最后经过大模型进行润色总结。 数字货币实时监控意图，通过用户输入查询信息，经过数字货币实施监控组件，对数字货币交易进行实时监督，最后由大模型润色总结。 政策分析意图通过结合数字货币知识库和大模型的检索能力，来帮助我们进行政策分析，提出建议。 在提问的问题涉及数字货币且不在三个意图以外，我们会通过一个大模型和相关插件来帮助解决数字货币交易。

模式识别组件中首先接收用户输入的数据并进行数据预处理。紧接着进行特征工程提取。采用HDBSCN聚类算法辅助识别，同时利用孤立森林技术，基于假设链上账户里5%左右的账户是异常的这一前提，估计其中真正高风险账户大概在3%到7%左右，以此来精准定位异常交易账户。此外，还设置统计阈值，基于链上账户交易特征的自然分布，采用90%分位作为阈值，帮助在无监督环境下有效识别潜在的异常交易模式。通过以上流程，我们能够准确识别出高频交易、机器人抢跑等多种交易模式。

数字货币实时监控组件中，用户启动组件后，首先进行用户输入参数初始化，随后异步启动以太坊区块链监听器与Kafka监听器建立web socket，连接到区块链。Web socket节点订阅新区块生成事件并调用函数，获取完整的区块交易明细。同时在confluent cloud订阅两个topic 对获取的每笔交易进行风控处理与报警；若满足大额转账，或者满足黑名单，则将报警信息推送到用户QQ邮箱，最后生成生成下载链接，实现对数字货币交易的实时监控和风险预警。

这部分介绍了创新性与跨学科视角。我们创新性的设计了交易模式识别组件，利用聚类和异常检测算法自动识别风险数据。利用动态数据调整和实时检测。 区块数据监控与异常检测组件，采用web 3实时获取新区块的详细交易，通过预设规则实现自动告警。 如此一来，我们实现了端到端的实时化，高度自动化和智能化监控。

这一页从跨学科交叉的角度突出我们方案的融合优势。 左边是金融阈值管理结合流式机器学习，离线用HDBSCAN和isolation forest双模型，结合统计学和机器学习，精准识别交易行为。通过双滑动窗口将时间序列分析与流式计算无缝对接，实现高频与小额洗钱的并行监控。 右边是区块链数据透明性，结合AI自动化，利用web3自动获取新区块详细交易信息，Kafka自动推送原始数据，并对监控数据进行自动检测， 若是检测到大额转账，黑名单，则将交易信息发送到用户的QQ邮箱，提示用户。 这种跨学科融合不仅保证了数据的透明性，还提升了监控的实时性、准确性和自动化水平。

这是agent进行交易模式识别的结果。用户输入数字货币交易数据，以以太坊交易数据为例。Agent输出用户地址，行为标签指交易模式。

这是agent实时监控的结果。用户开启监控，查看以太坊实时交易。Agent输出交易详细信息及下载链接；若监控到异常，将发送通知邮件至用户QQ邮箱。

这页展示了agent提出加强数字货币市场监管的具体政策模式。

这是智能体现存的问题与优化建议。过度依赖固定阈值和历史模式，难以适应市场动态变化，复杂交易模式缺乏足够训练数据。存在误报与漏报问题，这个问题可以提升异常交易识别精准度，并引入多数据源来优化。另外处理新兴交易模式能力不足，可以通过增强对新兴交易模式的适应能力，

这是agent最终的对话界面，三个提示词示例和智能体网址链接.

愿我们的探索为数字货币市场点亮明灯，守护信任，让创新与安全同行，共创数字金融未来，谢谢各位老师。