ICO:Is there a way to detect frauds?

At the bottom of this thesis, there is the will to explain the factors that can influence and predict a Fraud among ICOs. What makes Initial Coin Offerings an interesting subject to study can be found in its financial relevance during recent years. ICOs are a part of the so-called FinTech phenomenon, which is an alternative way to gain capitals for start-ups and existing firms. As you will see, ICOs will be a huge substitute to the classical channels for the lack of regulation. This characteristic is its strength, but it is its weakness as well. The lightness of the regulation of this new financial instrument is a fertile ground for frauds. In this elaborate, I used a dataset composed by 512 ICOs that I analysed with Python, to study if there are features of ICOs that may increase the probability of an Initial Coin Offering to be a fraud, so if it is possible to detect a scam in advance according to the ICOs features. To do this I used logistic regression without and with penalisation, decision tree and random forest. After cleaning the dataset and after conducting some descriptive analysis, I fitted the model. Looking at the results, I noticed that the volume of the last 30 days, the presence of a prototype and the CMC rank play an important role.

Alla base di questa tesi, c'è la volontà di spiegare i fattori che possono influenzare e prevedere una frode tra le ICO. Ciò che rende le Initial Coin Offerings un interessante argomento di studio può essere trovato nella sua rilevanza finanziaria negli ultimi anni. Le ICO fanno parte del cosiddetto fenomeno FinTech, che è un modo alternativo per ottenere capitale per le start-up e le imprese già esistenti sul mercato. Come verrà spiegato in questa tesi, le ICO saranno un enorme sostituto dei canali classici grazie alla mancanza di regolamentazione. Questa caratteristica è la sua forza, ma è anche la sua debolezza. La poca regolamentazione di questo nuovo strumento finanziario è un terreno fertile per le frodi. In questo elaborato, ho utilizzato un dataset composto da 512 ICO che ho analizzato con Python, per studiare se ci sono caratteristiche delle ICO che possono aumentare la probabilità che una Initial Coin Offering sia una frode, quindi se è possibile rilevare una truffa in anticipo in base alle caratteristiche degli ICO. Per fare ciò ho utilizzato la regressione logistica senza e con penalizzazione, l'albero decisionale e il modello Random Forest.. Dopo aver pulito il dataset e dopo aver condotto alcune analisi descrittive, ho adattato il modello. Guardando i risultati, ho notato che il volume degli ultimi 30 giorni, la presenza di un prototipo e il rank di CoinMarketCap giocano un ruolo importante