Bernardi, Gabriele
(2025)
Profitable Strategies on Ethereum Blockchain.
[Laurea], Università di Bologna, Corso di Studio in
Informatica [L-DM270]
Documenti full-text disponibili:
Abstract
Questo articolo intende capire sono i profili tipici che meglio descrivono le abitudini di investimento di portafogli profittevoli e quali sono le implicazioni finanziarie della loro presenza sulla blockchain di Ethereum.
Per analizzare ciò abbiamo utilizzato un approccio data-driven: abbiamo utilizzato solo dati on-chain open-source che abbiamo raccolto in batch da un nodo pubblico; abbiamo pre-elaborato i dati in un cluster HPC con l’archiviazione intermedia su SQLite e normalizzato i dati con valori robusti (mediana e IQR) per affrontare il problema della natura «heavy-tailed» delle variabili. Per raggruppare i profili abbiamo usato una tecnica di deep clustering non supervisionata (Deep Embedded Clustering, che pre-allenare un autoencoder e quindi affinare le centrali) con la regolarizzazione e la valutazione della qualità dei cluster (Silhouette, entropia e Gini).
I nostri risultati mostrano che la maggior parte dei portafogli profittevoli sembra adottare strategie passive a accumulo (buy-and-hold): due grandi cluster (retail e “whales”) rappresentano più del 56% del nostro campione e hanno una frequenza piuttosto bassa di transazioni giornaliere. Sorprendentemente, i “retail” profittevoli sembrano avere coefficienti di profitto mediamente più alti rispetto a quelli delle “whales”, sebbene le istituzioni abbiano una maggiore probabilità di essere profittevoli. Abbiamo anche trovato i “flash users” cluster ad alta attività di breve periodo, che possono essere interpretati come portafogli monouso, airdrop cacciatori o trader.
Le nostre conclusioni suggeriscono che su Ethereum la pazienza e la bassa attività sono un forte fattore di accumulo di ricchezza; questo ha implicazioni per studi di politica economica, per la modellazione del mercato crypto e la progettazione di strumenti di analisi on-chain.
Abstract
Questo articolo intende capire sono i profili tipici che meglio descrivono le abitudini di investimento di portafogli profittevoli e quali sono le implicazioni finanziarie della loro presenza sulla blockchain di Ethereum.
Per analizzare ciò abbiamo utilizzato un approccio data-driven: abbiamo utilizzato solo dati on-chain open-source che abbiamo raccolto in batch da un nodo pubblico; abbiamo pre-elaborato i dati in un cluster HPC con l’archiviazione intermedia su SQLite e normalizzato i dati con valori robusti (mediana e IQR) per affrontare il problema della natura «heavy-tailed» delle variabili. Per raggruppare i profili abbiamo usato una tecnica di deep clustering non supervisionata (Deep Embedded Clustering, che pre-allenare un autoencoder e quindi affinare le centrali) con la regolarizzazione e la valutazione della qualità dei cluster (Silhouette, entropia e Gini).
I nostri risultati mostrano che la maggior parte dei portafogli profittevoli sembra adottare strategie passive a accumulo (buy-and-hold): due grandi cluster (retail e “whales”) rappresentano più del 56% del nostro campione e hanno una frequenza piuttosto bassa di transazioni giornaliere. Sorprendentemente, i “retail” profittevoli sembrano avere coefficienti di profitto mediamente più alti rispetto a quelli delle “whales”, sebbene le istituzioni abbiano una maggiore probabilità di essere profittevoli. Abbiamo anche trovato i “flash users” cluster ad alta attività di breve periodo, che possono essere interpretati come portafogli monouso, airdrop cacciatori o trader.
Le nostre conclusioni suggeriscono che su Ethereum la pazienza e la bassa attività sono un forte fattore di accumulo di ricchezza; questo ha implicazioni per studi di politica economica, per la modellazione del mercato crypto e la progettazione di strumenti di analisi on-chain.
Tipologia del documento
Tesi di laurea
(Laurea)
Autore della tesi
Bernardi, Gabriele
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Ethereum,blockchain,clustering,deep-learning,on-chain-analysis,investimenti,data-driven
Data di discussione della Tesi
17 Dicembre 2025
URI
Altri metadati
Tipologia del documento
Tesi di laurea
(NON SPECIFICATO)
Autore della tesi
Bernardi, Gabriele
Relatore della tesi
Scuola
Corso di studio
Ordinamento Cds
DM270
Parole chiave
Ethereum,blockchain,clustering,deep-learning,on-chain-analysis,investimenti,data-driven
Data di discussione della Tesi
17 Dicembre 2025
URI
Statistica sui download
Gestione del documento: