Kriptovalyuta layihələri məqsədlərini, texniki arxitekturalarını, istifadə sahələrini və həll etməyi hədəflədikləri problemləri adətən whitepaper adlanan əsas sənədlərdə izah edir. Lakin bir layihənin whitepaper-da özünü, məsələn, ödəniş vasitəsi, mərkəzləşdirilməmiş maliyyə infrastrukturu, məxfilik sistemi, məlumat saxlama şəbəkəsi və ya miqyaslana bilən blokçeyn kimi təqdim etməsi həmin layihənin tokeninin maliyyə bazarında eyni funksional sinfə uyğun davranış göstərəcəyi anlamına gəlirmi?

Murad Farzulla-nın “Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis” başlıqlı tədqiqatının əsas sualı budur. Tədqiqat 38 kriptovalyuta layihəsinə aid texniki sənədləri təbii dil emalı üsulları ilə 10 funksional kateqoriyaya ayırır; eyni zamanda Binance-dən əldə edilmiş 49 kriptoaktivə aid 2023–2024 dövründəki saatlıq OHLCV məlumatlarını tenzor parçalanması və maliyyə xülasə statistikaları ilə təhlil edir.

Buradakı “predict” sözü gələcək qiyməti proqnozlaşdırmaq mənasında istifadə edilmir. Tədqiqat whitepaper-lardakı narrativlərin gələcəkdə qiymətin yüksəlib-enəcəyini proqnozlaşdırıb-proqnozlaşdırmadığını yoxlamır. Araşdırılan sual layihələrin özləri haqqında dedikləri ilə bazarda müşahidə olunan struktur xüsusiyyətlərin eyni aktivlər arasında oxşar bir nümunə yaradıb-yaratmamasıdır. Başqa sözlə, tədqiqat struktur uyğunluğu araşdırmasıdır.

Yüklənmiş v4 versiyasında 38 whitepaper var. Bazar məlumat dəsti isə 49 aktivdən ibarətdir. Həm whitepaper-ı, həm də kifayət qədər bazar məlumatı olan 37 aktiv əsas narrativ–bazar müqayisəsində istifadə edilmişdir. Bazar məlumatları 1 Yanvar 2023–31 Dekabr 2024 dövrünü və hər aktiv üçün 17.543 saatlıq zaman nöqtəsini əhatə edir.

Whitepaper məzmunları BART-large-MNLI modeli istifadə edilərək sıfır nümunəli təsnifat (zero-shot classification) üsulu ilə 10 kateqoriyaya ayrılmışdır: dəyər saxlama, mübadilə vasitəsi, ağıllı müqavilələr, mərkəzləşdirilməmiş maliyyə, idarəetmə, miqyaslana bilmə, məxfilik, qarşılıqlı işləyə bilmə, məlumat saxlama və oracle xidmətləri.

Bazar tərəfində iki ayrı təqdimat yaradılmışdır. Birinci təqdimat hər aktiv üçün hesablanan yeddi maliyyə xülasə ölçüsündən ibarətdir: orta gəlir, volatillik, Sharpe nisbəti, maksimum geriləmə, orta əməliyyat həcmi, volatilliyin volatilliyi və qiymət trendi. İkinci təqdimat isə saat × aktiv × OHLCV xüsusiyyətlərindən ibarət yüksəkölçülü bazar tenzorunun CP parçalanması ilə əldə olunan gizli faktorlardır.

CP parçalanmasında iki faktor bazar tenzorundakı variasiyanın %92,45-ni izah etmişdir. Tədqiqat daha sonra whitepaper iddialarından yaradılmış təqdimat məkanı ilə bazar statistikaları və gizli faktorlardan yaradılmış məkanları Orthogonal Procrustes çevrilməsi ilə hizalamış və oxşarlığı Tucker uyğunluq əmsalı (Tucker's congruence coefficient, φ) ilə ölçmüşdür.

Yüklənmiş v4 versiyasının əsas nəticələrində whitepaper iddiaları ilə bazar statistikaları arasındakı uyğunluq:

\[ \phi=0.246,\qquad p=0.339 \]

whitepaper iddiaları ilə CP gizli faktorları arasındakı uyğunluq isə:

\[ \phi=0.058,\qquad p=0.751 \]

olaraq müəyyən edilmişdir. Hər iki dəyər tədqiqatda istifadə olunan şərh şkalasına görə zəif uyğunluq sinfindədir və permutasiya testində statistik əhəmiyyətliliyə çatmamışdır.

Bunun əksinə, eyni bazar məlumatından törədilən bazar statistikaları ilə tenzor faktorları arasındakı müqayisə:

\[ \phi=0.174,\qquad p<0.001 \]

nəticəsini vermişdir. Uyğunluğun böyüklüyü yenə zəif olsa da, təsadüfə nisbətən statistik olaraq əhəmiyyətlidir. Müəllif bu nəticəni istifadə olunan hizalama üsulunun real riyazi struktur mövcud olduqda onu aşkar edə bildiyinə dair pozitiv kontrol kimi qiymətləndirir.

Lakin tədqiqatın statistik gücü mühüm məhdudiyyətdir. 37 ortaq aktivlə aparılan tədqiqat təxminən \(\phi\geq0.70\) səviyyəsindəki güclü uyğunluğu yüksək güclə aşkar edə bilir; buna qarşılıq \(\phi\approx0.30\) səviyyəsində zəif əlaqənin həqiqətən mövcud olub-olmadığını etibarlı şəkildə fərqləndirə bilmir. Buna görə tədqiqatın nəticəsi “whitepaper narrativləri ilə bazar arasında qətiyyən heç bir əlaqə yoxdur” deyil. Dəstəklənən daha ehtiyatlı nəticə güclü struktur uyğunluğunun tapılmaması və mövcud nümunə ilə zəif uyğunluqla sıfır uyğunluğun qəti şəkildə fərqləndirilə bilməməsidir.

Yüklənmiş v4 həmçinin XMR, CRV, YFI və SOL kimi daha spesifik istifadə sahəsinə malik bəzi tokenlərin whitepaper iddiaları ilə bazar davranışı arasında daha yüksək uyğunluq töhfəsi göstərdiyini bildirmişdir. Lakin bu nəticə sonrakı arXiv versiyalarında geri götürülmüşdür. Cari versiyada müəllif əvvəlki whitepaper korpusunda yanlış sənədlər və uğursuz endirmə məzmunları olduğunu və bu entity-level sıralamanın təmizlənmiş korpusda davam etmədiyini bildirir. Buna görə sözügedən token əsaslı sıralama cari elmi nəticə kimi istifadə edilməməlidir.

Tədqiqatın daha möhkəm qalan əsas mesajı whitepaper-lardakı funksional narrativlərin 2023–2024 dövründəki bazar riski, likvidlik və faktor strukturu ilə güclü struktur uyğunluğu göstərməməsidir. Tenzor faktorları daha çox volatillik, maksimum geriləmə, Sharpe nisbəti və həcm kimi reallaşmış bazar xüsusiyyətləri ilə əlaqəli görünür.

Türkiyə baxımından tədqiqat kriptoaktiv qiymətləndirməsində yalnız whitepaper-dakı vədlərin və ya layihə kateqoriyasının maliyyə davranışını izah etmək üçün kifayət etməyə biləcəyini göstərməsi baxımından önəmlidir. Lakin bu nəticə whitepaper təhlilinin texnologiya, idarəetmə və ya layihə məqsədi baxımından dəyərsiz olduğu anlamına gəlmir. Tədqiqat yalnız funksional narrativlərin bazar faktor strukturu ilə struktur uyğunluğunu yoxlayır və investisiya gəlirini proqnozlaşdırmır.

Kriptovalyuta Whitepaper-ı Bazar Davranışını Həqiqətən “Proqnozlaşdıra” Bilərmi?

Bu tədqiqatdakı əsas anlayışı anlamaq üçün əvvəlcə “proqnozlaşdırma” sözünün necə istifadə edildiyini ayırd etmək lazımdır. Tədqiqatçı gələcəkdə Bitcoin, Ethereum və ya başqa tokenin qiymətinin nə olacağını proqnozlaşdırmağa çalışmır.

Tədqiqatın əsas sualı budur:

Whitepaper-larında bir-birinə oxşar funksiyalar və istifadə məqsədləri təsvir edən layihələr maliyyə bazarlarında da bir-birinə oxşar struktur xüsusiyyətlər göstərirmi?

Məsələn, iki layihə özünü əsasən məxfilik texnologiyası kimi təqdim edirsə, bu iki aktivin volatillik, əməliyyat həcmi, maksimum geriləmə və ya gizli bazar faktorlarındakı mövqelərinin də bir-birinə bənzəməsi gözlənilə bilərmi?

Buna görə tədqiqatda “predict” zaman oxunda gələcəyi proqnozlaşdırmaqdan daha çox struktur qarşılıq və ya struktur uyğunluğu mənasındadır.

Whitepaper nədir?

Kriptovalyuta kontekstində whitepaper layihənin texniki quruluşunu, məqsədlərini, iqtisadi modelini, istifadə ssenarilərini və ya protokol dizaynını izah edən əsas sənəddir.

Lakin tədqiqatın korpusu yalnız “orijinal whitepaper” sənədlərindən ibarət deyil. Bəzi layihələr üçün konsensus sənədləri, protokol spesifikasiyaları, texniki hesabatlar və ya rəsmi texniki sənədlər də istifadə edilmişdir.

Bu fərq vacibdir; çünki müxtəlif sənəd növləri eyni növ narrativ sıxlığına və ya eyni tarixi rola malik olmaya bilər.

Narrativ iqtisadiyyatı nədir?

Narrative economics və ya narrativ iqtisadiyyatı, iqtisadi davranışların yalnız fundamental göstəricilər və ya riyazi modellər tərəfindən deyil, cəmiyyət daxilində yayılan hekayələr, izahlar və ortaq inanclar tərəfindən də təsirlənə biləcəyini irəli sürən tədqiqat sahəsidir.

Kriptovalyuta ekosistemində “rəqəmsal qızıl”, “mərkəzləşdirilməmiş maliyyə”, “Web3 infrastrukturu”, “məxfilik pulu” və ya “Ethereum qatili” kimi narrativlər investorların layihələri qavrama formasına təsir edə bilər.

Bu məqalə həmin narrativlərin investor əhval-ruhiyyəsini birbaşa ölçmür; layihələrin rəsmi təsis sənədlərindəki funksional narrativlərlə reallaşmış bazar xüsusiyyətləri arasında struktur oxşarlığı axtarır.

Tədqiqatda Hansı Məlumatlardan İstifadə Edildi?

Bazar məlumatları Binance API üzərindən CCXT kitabxanasından istifadə edilərək əldə edilmişdir.

OHLCV nədir?

OHLCV, maliyyə bazarı məlumatlarında geniş istifadə olunan beş əsas müşahidəni ifadə edir:

• Open: zaman intervalının açılış qiyməti,
• High: zaman intervalındakı ən yüksək qiymət,
• Low: zaman intervalındakı ən aşağı qiymət,
• Close: zaman intervalının bağlanış qiyməti,
• Volume: əməliyyat həcmi.

Bu tədqiqatda hər aktiv üçün bu beş xüsusiyyət saatlıq olaraq izlənmişdir.

Niyə z-normalizasiya tətbiq olunur?

OHLCV xüsusiyyətlərinin miqyasları bir-birindən çox fərqli ola bilər. Məsələn, Bitcoin-in qiymət səviyyəsi ilə başqa tokenin qiyməti və ya həcm dəyərləri eyni miqyasa malik deyil.

Z-skor normalizasiyasının standart forması:

\[ z=\frac{x-\mu}{\sigma} \]

şəklindədir.

Burada \(x\) müşahidə olunan dəyər, \(\mu\) orta və \(\sigma\) standart sapmadır.

Tədqiqat hər OHLCV xüsusiyyət kəsiyini aktivlər və zaman boyunca normallaşdıraraq xüsusiyyətlərin ortasını sıfıra, standart sapmasını isə birə yaxınlaşdırır. Məqsəd yalnız böyük ədədi miqyasa malik xüsusiyyətlərin tenzor parçalanmasına dominant olmasının qarşısını almaqdır.

Tenzor Nədir və Niyə İstifadə Olunur?

Tenzor, matris anlayışının daha çox ölçüyə genişləndirilmiş formasıdır.

Vektoru birölçülü, matrisi ikiölçülü məlumat strukturu kimi düşünmək olar. Tenzor isə üç və ya daha çox ölçünü eyni strukturda saxlaya bilər.

Tədqiqat əvvəlcə bazar məlumatını:

\[ X\in\mathbb{R}^{T\times V\times A\times F} \]

şəklində müəyyən edir.

Burada:

• \(T\): zaman,
• \(V\): əməliyyat platforması / venue,
• \(A\): kriptoaktiv,
• \(F\): bazar xüsusiyyətidir.

Tədqiqatda yalnız Binance istifadə edildiyinə görə:

\[ V=1 \]

olur və effektiv struktur:

\[ X\in\mathbb{R}^{T\times A\times F} \]

şəklində üç ölçüyə endirilir.

Bu struktur zamanı, aktivləri və OHLCV xüsusiyyətlərini vahid məlumat obyektində birlikdə saxlayır.

CP Tenzor Parçalanması Nədir?

CANDECOMP/PARAFAC (CP) decomposition, yüksəkölçülü tenzoru daha sadə rank-1 komponentlərinin cəmi kimi təxmini ifadə edir.

Mənbənin əsas tənliyi:

\[ X\approx \sum_{r=1}^{R} \lambda_r a_r\circ b_r\circ c_r \]

şəklindədir.

Burada:

• \(R\): parçalanma rankıdır,
• \(\lambda_r\): müvafiq komponentin çəkisidir,
• \(a_r\): zaman istiqamətində faktor vektorudur,
• \(b_r\): aktiv istiqamətində faktor vektorudur,
• \(c_r\): OHLCV xüsusiyyətləri istiqamətində faktor vektorudur,
• \(\circ\): outer product, yəni xarici hasili göstərir.

Xarici hasil vektorları vahid skalyar dəyərə endirmək əvəzinə onların kombinasiyalarından daha yüksəkölçülü struktur yaradır.

Faktor matrisləri

CP parçalanmasında:

\[ A=[a_1|\cdots|a_R] \]

zaman faktorlarını,

\[ B=[b_1|\cdots|b_R] \]

aktiv faktorlarını və:

\[ C=[c_1|\cdots|c_R] \]

bazar xüsusiyyətlərinə aid faktorları ehtiva edir.

Bu tədqiqat baxımından xüsusilə mühüm olan:

\[ B\in\mathbb{R}^{A\times R} \]

matrisidir; çünki hər kriptoaktivin gizli bazar faktorlarındakı yükünü göstərir.

Gizli faktor nə deməkdir?

Gizli faktor (latent factor), məlumat daxilində birbaşa ayrıca sütun kimi müşahidə olunmayan, lakin çoxsaylı müşahidələr arasındakı ortaq dəyişmə nümunələrindən riyazi olaraq çıxarılan komponentdir.

Məsələn, tədqiqatın sonrakı təhlillərində birinci faktorun maksimum geriləmə, volatillik və Sharpe nisbəti ilə; ikinci faktorun isə həcm və həcm volatilliyi ilə əlaqəli olduğu görünür.

Bunlara alqoritmdə əvvəlcədən “risk faktoru” və ya “likvidlik faktoru” adı verilməmişdir. Şərh faktor yükləri ilə ölçülən bazar statistikaları arasındakı korrelyasiyalardan sonra aparılmışdır.

Alternating Least Squares (ALS) Nə Edir?

CP faktorları birbaşa məlum olmadığı üçün tədqiqat onları Alternating Least Squares (ALS) alqoritmi ilə qiymətləndirir.

Əsas fikir faktor matrislərindən ikisini müvəqqəti sabit saxlayıb üçüncünü ən yaxşı uyğunluğu verəcək şəkildə yeniləmək və bu prosesi növbə ilə təkrarlamaqdır.

Mənbədə yeniləmələr:

\[ A\leftarrow X_{(1)} (C\odot B) (C^\top C * B^\top B)^\dagger \]

\[ B\leftarrow X_{(2)} (C\odot A) (C^\top C * A^\top A)^\dagger \]

\[ C\leftarrow X_{(3)} (B\odot A) (B^\top B * A^\top A)^\dagger \]

şəklində verilir.

Burada:

• \(X_{(n)}\): tenzorun müvafiq moda görə matrisləşdirilmiş formasıdır,
• \(\odot\): Khatri–Rao hasilidir,
• \(*\): Hadamard, yəni element üzrə hasildir,
• \(\dagger\): Moore–Penrose pseudoinverse əməliyyatıdır.

Bu formulların məqsədi tenzoru mümkün qədər az yenidənqurma xətası ilə izah edən faktor matrislərini tapmaqdır.

Rank Necə Seçildi?

Tenzor parçalanmasında rank məlumatı neçə gizli komponentlə təxmini izah etməyə çalışdığımızı ifadə edir.

Tədqiqatın izah olunan variasiya ölçüsü:

\[ EV(R) = 1- \frac{ \|X-\hat{X}_R\|_F^2 }{ \|X-\bar{x}\|_F^2 } \]

şəklindədir.

Burada:

• \(\hat{X}_R\): rank-\(R\) CP modeli ilə yenidən qurulan tenzor,
• \(\|\cdot\|_F\): Frobenius norması,
• \(\bar{x}\): istinad orta strukturudur.

Model:

\[ EV\geq0.90 \]

hədəfini qarşılayacaq ən kiçik rankı axtarmışdır.

Nəticə:

\[ R=2 \]

və:

\[ EV=92.45\% \]

olaraq müəyyən edilmişdir.

Rank həssaslığı

Daha yüksək ranklarda narrativ–faktor uyğunluğu bir qədər artmışdır; lakin ən yüksək dəyər təxminən 0,094-dür. Bu da 0,65-lik orta səviyyəli oxşarlıq həddindən xeyli aşağıdır.

Tucker Parçalanması ilə Eyni Nəticə Alınırmı?

Tədqiqat metodun yalnız CP seçiminə bağlı olub-olmadığını görmək üçün Tucker decomposition da tətbiq etmişdir.

Tucker modeli:

\[ X\approx G\times_1A\times_2B\times_3C \]

şəklində yazılır.

Burada \(G\), faktorların bir-biri ilə qarşılıqlı təsirini daşıyan core tensor, yəni nüvə tenzorudur.

İki metodun nəticələri çox oxşardır. Buna görə v4-dəki zəif narrativ–faktor uyğunluğunun yalnız CP parçalanmasının seçilməsindən qaynaqlandığı görünmür.

Whitepaper-lar Süni İntellektlə Necə Təsnif Edildi?

Whitepaper mətnləri BART-large-MNLI istifadə edilərək zero-shot təsnifata tabe tutulmuşdur.

Zero-shot classification, modelin bu tədqiqat üçün ayrıca əl ilə etiketlənmiş kripto whitepaper təlim məlumat dəsti ilə yenidən təlim edilmədən, əvvəlcədən öyrəndiyi dil biliyi əsasında verilən kateqoriyaları qiymətləndirməsidir.

Sənədlər 500 sözlük mətn parçalarına ayrılmışdır.

Hər kateqoriya üçün:

“This text is about [category]”

formasında hipotez qiymətləndirilmişdir.

Softmax ehtimalı

Mətn parçası \(t\) və kateqoriya \(l_k\) üçün ehtimal:

\[ P(l_k|t) = \frac{e^{s_k}} {\sum_{j=1}^{K}e^{s_j}} \]

şəklində hesablanır.

Burada:

• \(s_k\): modelin müvafiq kateqoriya üçün entailment skorudur,
• \(K=10\): ümumi kateqoriya sayıdır,
• \(e\): təbii eksponensial funksiyanın əsasıdır.

Softmax əməliyyatı xam skorları cəmi 1 olan ehtimalabənzər dəyərlərə çevirir.

Niyə yalnız ən yüksək kateqoriya seçilmir?

Tədqiqat hər mətn parçasını zorla bir kateqoriyaya təyin etmək əvəzinə bütün kateqoriyaların ehtimal skorlarından istifadə edir.

Bu üsul texniki paraqrafın eyni anda, məsələn, həm “ağıllı müqavilə”, həm də “miqyaslana bilmə” mövzuları ilə əlaqəli ola bilməsini qismən qorumağı hədəfləyir.

10 Whitepaper Kateqoriyası

Aktivin whitepaper profili necə əldə olunur?

Aktivin bütün mətn parçalarındakı kateqoriya ehtimallarının ortası alınır:

\[ c_{nk} = \frac{1}{|T_n|} \sum_{t\in T_n} P(l_k|t) \]

Burada:

• \(n\): kriptoaktivi,
• \(k\): funksional kateqoriyanı,
• \(T_n\): müvafiq whitepaper-dan əldə olunan mətn parçaları dəstini göstərir.

Beləliklə, hər aktiv üçün 10 ölçülü narrativ profil əldə edilir.

NLP Təsnifatı Nə Qədər Etibarlıdır?

Bu məqam tədqiqatın ən mühüm məhdudiyyətlərindən biridir.

Tədqiqatçı BART-MNLI nəticələrini alternativ DeBERTa-v3 modelinin təsnifatları ilə müqayisə etmişdir.

200 təsadüfi mətn parçasında tam birinci kateqoriya uyğunluğu yalnız:

%32

olmuşdur.

Cohen's kappa:

\[ \kappa=0.14 \]

olaraq bildirilmişdir.

Bu, modellərarası aşağı razılaşmadır.

Bununla belə alternativ modelin birinci proqnozunun BART modelinin ilk üç kateqoriyası arasında qəbul edildiyi daha yumşaq ölçüdə uyğunluq:

%67

olmuşdur.

Üç fərqli NLP üsulunun müqayisəsi

Bu nəticələr whitepaper narrativinin “həqiqi kateqoriyasının” tam obyektiv və modeldən müstəqil şəkildə ölçülmədiyini göstərir.

Medium of Exchange, DeFi və Privacy kimi aydın dil işarələri olan kateqoriyalarda metodlar daha çox razılaşdığı halda Smart Contracts və Store of Value kimi kateqoriyalarda uyğunluq daha aşağıdır.

Məlumat azlığı problemi

ALGO, AXS, BAND, DOT, RPL, SUSHI və YFI üçün 10-dan az mətn parçası olduğu bildirilir.

Bu yeddi az məlumatlı aktiv çıxarıldıqda Embedding–LLM korrelyasiyası 0,52-yə yüksəlmişdir.

Deməli, təsnifedicilər arasındakı uyğunsuzluğun bir hissəsi yalnız model fərqindən deyil, bəzi layihələr üçün sənəd miqdarının kifayət etməməsindən də qaynaqlana bilər.

Bazarın Yeddi Maliyyə Xüsusiyyəti Necə Hesablandı?

1. Orta gəlir

\[ \bar{r}_a= \frac{1}{T} \sum_t r_{a,t} \]

Aktivin zaman boyunca orta gəliridir.

2. Volatillik

\[ \sigma_a= \sqrt{ \frac{1}{T-1} \sum_t (r_{a,t}-\bar{r}_a)^2 } \]

Gəlirlərin orta ətrafında nə qədər yayıldığını ölçür.

3. Sharpe nisbəti

Mənbə saatlıq məlumatdan illikləşdirilmiş Sharpe nisbətində ənənəvi maliyyə ilə müqayisəlilik məqsədilə 252 əməliyyat günü və gündəlik 24 saat əmsalından istifadə edir.

Ümumilikdə Sharpe nisbəti vahid volatillik başına gəliri ölçməyə çalışır.

Kripto bazarlarının həftənin yeddi günü 24 saat açıq olması səbəbindən 252 günlük ənənəvi maliyyə fərziyyəsinin kripto bazarı üçün birbaşa təbii təqvim olmadığı mənbədə qeydlə göstərilmişdir.

4. Maksimum geriləmə

Maksimum geriləmə aktivin əvvəlki zirvəsindən sonrakı dib nöqtəsinə qədər yaşadığı ən böyük nisbi dəyər itkisini ölçür.

5. Orta həcm

\[ \bar{V}_a= \frac{1}{T} \sum_t V_{a,t} \]

Araşdırılan dövrdə orta saatlıq əməliyyat həcmini təmsil edir.

6. Volatilliyin volatilliyi

Vol-of-vol, zaman ərzində hesablanan hərəkətli volatillik ölçüsünün öz standart sapmasıdır.

Yalnız bazarın nə qədər oynaq olduğunu deyil, volatilliyin özünün nə qədər dəyişkən olduğunu ölçməyə çalışır.

7. Trend

Mənbə trendi:

\[ P_t=\alpha+\beta t+\varepsilon \]

xətti reqressiyasındakı:

\[ \beta \]

əmsalı ilə təmsil edir.

Müsbət \(\beta\) araşdırılan dövrdə yuxarı istiqamətli xətti meyli, mənfi dəyər isə aşağı istiqamətli meyli ifadə edir.

Procrustes Hizalaması Nədir?

Whitepaper narrativ matrisi ilə bazar matrisi eyni koordinat sistemində yaradılmamışdır.

Birində sütunlar “məxfilik”, “miqyaslana bilmə” və “DeFi” kimi kateqoriyaları; digərində isə volatillik, həcm və ya riyazi gizli faktorları təmsil edir.

Buna görə matrisləri sütun-sütun birbaşa müqayisə etmək mənalı deyil.

Orthogonal Procrustes üsulu bir təqdimat məkanını döndərərək digərinə mümkün qədər yaxınlaşdıran ortoqonal çevrilməni tapır.

Problem:

\[ \min_{Q^\top Q=I} \|AQ-B\|_F^2 \]

şəklində müəyyən edilir.

Burada:

• \(A\): hizalanacaq ilk təqdimat matrisi,
• \(B\): hədəf təqdimat matrisi,
• \(Q\): ortoqonal çevrilmə matrisi,
• \(\|\cdot\|_F\): Frobenius normasıdır.

Ortoqonal çevrilmə əsasən oxları döndərir və ya əks etdirir; məlumatı ixtiyari şəkildə dartmır.

SVD həlli

Əgər:

\[ A^\top B=U\Sigma V^\top \]

şəklində tək qiymət parçalanması aparılarsa optimal çevrilmə:

\[ Q^*=VU^\top \]

olaraq əldə edilir.

Mənbənin Əlavə A bölməsi bu nəticənin iz (trace) optimallaşdırması üzərindən riyazi çıxarışını verir.

Ölçülər Eyni Deyilsə Nə Baş Verir?

Whitepaper iddia matrisi 10 ölçülüdür, CP faktor matrisi isə əsas təhlildə yalnız 2 ölçülüdür.

Yüklənmiş v4-də kiçik matrisin sütunları sıfırlarla doldurularaq ölçülər bərabərləşdirilmişdir.

Məsələn, 2 faktorlu matris 10 ölçülü whitepaper məkanı ilə müqayisə edilərkən səkkiz sıfır sütunu əlavə olunur.

Müəllif bunun φ dəyərinə aşağı istiqamətdə təsir edə biləcəyini açıq şəkildə qəbul edir.

Sonrakı matched-dimension kontrolunda SVD ilə ölçülər əvvəlcə uyğunlaşdırıldıqda:

• Claims → 2D və Factors → 2D: \(\phi=0.157,\ p=0.47\)
• Claims → 7D və Statistics → 7D: \(\phi=0.304,\ p=0.52\)
• Statistics → 2D və Factors → 2D: \(\phi=0.423,\ p=0.004\)

müəyyən edilmişdir.

Bu dəyərlər zero-padding istifadə edilmədikdə narrativ–bazar uyğunluğunun bir qədər yüksəldiyini, lakin yenə statistik əhəmiyyətliliyə çatmadığını göstərir.

Tucker Uyğunluq Əmsalı φ Nədir?

Tədqiqatın əsas oxşarlıq ölçüsü:

\[ \phi(x,y) = \frac{ \sum_{i=1}^{n}x_i y_i }{ \sqrt{ \sum_{i=1}^{n}x_i^2 \sum_{i=1}^{n}y_i^2 } } \]

şəklindədir.

Bu ifadə kosinus oxşarlığına riyazi baxımdan ekvivalentdir; lakin Pearson korrelyasiyasından fərqli olaraq məlumatlar ortadan mərkəzləşdirilmir.

Dəyər:

\[ -1\leq\phi\leq1 \]

intervalındadır.

Mənbənin istifadə etdiyi şərh hədləri

Mənbə həmçinin bu hədlərin əslində oxşar məlumat dəstlərindən əldə olunan faktor həllərinin müqayisəsi üçün hazırlandığını və NLP narrativ məkanı ilə maliyyə bazarı məkanı kimi bir-birindən fərqli təqdimat növlərinə tətbiq edilməsinin ilkin doğrulama kontekstini aşdığını qəbul edir.

Əsas Nəticələr

p-dəyəri nə deyir?

Tədqiqat birtərəfli permutasiya testindən istifadə edir.

Əsas proses belədir:

1. Real məlumatda müşahidə olunan \(\phi^*\) hesablanır.
2. Aktiv uyğunluqları təsadüfi qarışdırılır.
3. Hər qarışdırmada yeni \(\phi^{(b)}\) hesablanır.
4. Təsadüfi nəticələrin müşahidə olunan nəticədən nə qədər tez-tez böyük və ya bərabər olduğu ölçülür.

Mənbə:

\[ p= \frac{1}{B} \sum_{b=1}^{B} \mathbf{1} [ \phi^{(b)}\geq\phi^* ] \]

formasındakı göstərilişdən istifadə edir.

Burada \(B=1000\) permutasiyadır.

Claims–Statistics üçün \(p=0.339\) və Claims–Factors üçün \(p=0.751\) olduğuna görə müşahidə olunan zəif uyğunluq dəyərlərinin təsadüfi uyğunluqlarla müqayisədə əhəmiyyətli dərəcədə yüksək olduğu göstərilə bilməmişdir.

Niyə “Əlaqə Yoxdur” Nəticəsi Çıxarıla Bilmir?

Statistik əhəmiyyətliliyin tapılmaması təkbaşına əlaqənin qəti olaraq sıfır olduğunu sübut etmir.

Tədqiqatın güc təhlili bunu xüsusilə göstərir:

37 ortaq aktivlə aparılan tədqiqat \(\phi=0.30\) kimi zəif həqiqi effekt mövcuddursa, onu yalnız təxminən %14 ehtimalla aşkar edə bilir.

Bunun əksinə:

\[ \phi\geq0.70 \]

səviyyəsində güclü əlaqə üçün güc təxminən %90-dır.

Beləliklə, tədqiqat güclü narrativ–bazar uyğunluğunu rədd etməkdə daha etibarlıdır; zəif uyğunluğu sıfır uyğunluqdan ayırmaqda isə yetərsizdir.

Bootstrap Etibar İntervallarının Problemi

Mənbə %95 etibar intervalları üçün 1.000 bootstrap yenidən nümunələməsindən istifadə etmişdir.

Lakin cəmi 37 aktivin olduğu kiçik nümunədə eyni aktivlərin bootstrap zamanı təkrar-təkrar seçilməsi Procrustes hizalamasını süni şəkildə yaxşılaşdıra bilər.

Mənbə bootstrap ortasının nöqtə qiymətləndirməsindən:

• Claims–Statistics müqayisəsində təxminən %29,
• Claims–Factors müqayisəsində təxminən %37

daha yüksək olduğunu bildirir.

Buna görə məqalədəki etibar intervalları “dəqiq sərhədlər” deyil, mənbə müəllifinin ifadəsi ilə daha çox göstərici xarakterli qiymətləndirilməlidir.

Nəticə Zamanla Dəyişirmi?

Bütün dövrlərdə uyğunluq zəif intervalda qalmışdır. Bu, yüklənmiş v4-dəki əsas nəticənin tək qısa bazar dövründən qaynaqlanmadığını düşündürür.

Daha geniş institusional narrativlər istifadə edildikdə nə baş verdi?

Müəllif whitepaper əvəzinə rəsmi sənədləşmə, foundation yeniləmələri, idarəetmə forumları və layihə bloqlarını ehtiva edən əlavə institusional narrativ korpusu yaratmışdır.

Fevral 2025 anlıq görüntüsündə 14 layihə üçün 627 sənəd və 367.071 söz var. Tam bazar məlumatı olan 12 aktivlə altı sürüşən pəncərədə orta:

\[ \phi=0.203\pm0.013 \]

olaraq müəyyən edilmişdir.

Bu nəticə whitepaper-la müqayisədə narrativ–bazar uyğunluğunu orta və ya güclü səviyyəyə daşımamışdır.

Bununla belə, yalnız bir tarixli narrativ görüntüsü istifadə edildiyinə görə layihənin narrativinin zamanla dəyişməsi həqiqi mənada ölçülməmişdir.

Alternativ Uyğunluq Ölçüləri Eyni Nəticəni Verirmi?

Dörd alternativ metodun hamısında whitepaper ehtiva edən müqayisələr əhəmiyyətliliyə çatmadığı halda, bazar statistikaları–bazar faktorları müqayisəsi əhəmiyyətli qalmışdır.

Bu vəziyyət v4 əsas tapıntısının yalnız Tucker φ ölçüsünün xüsusi riyazi xüsusiyyətlərindən qaynaqlanmadığına dair dəstək verir.

Bazar Faktorları Əslində Nəyi Təmsil Edir?

Müəllif Faktor 1-i riskə uyğunlaşdırılmış performans və ya sabitlik ölçüsü kimi şərh edir. Maksimum geriləmə və volatilliklə mənfi, Sharpe nisbəti ilə müsbət əlaqəlidir.

Faktor 2 isə orta həcm və həcm volatilliyi ilə daha çox əlaqəli olduğu üçün likvidlik/ölçü ölçüsü kimi şərh edilir.

Bunun əksinə, 10 whitepaper kateqoriyası ilə iki faktor arasındakı cəmi 20 korrelyasiyanın heç biri:

\[ \alpha=0.05 \]

səviyyəsində statistik əhəmiyyətliliyə çatmamışdır.

Ən güclü dəyər Smart Contracts ilə Faktor 1 arasındakı:

\[ r=-0.26,\qquad p=0.126 \]

korrelyasiyasıdır və bu da zəif, əhəmiyyətli olmayan əlaqədir.

Tenzorun İlkin Emalı Nəticəni Dəyişirmi?

Tədqiqat üç fərqli tenzor yaratma üsulundan istifadə etmişdir:

1. normallaşdırılmış orijinal OHLCV səviyyələri,
2. loqarifmik gəlirlər,
3. aktiv əsasında z-skorlaşdırılmış xüsusiyyətlər.

Bu fərqli strukturlardan çıxarılan faktorların bir-biri ilə uyğunluğu:

• orijinal – gəlir: \(\phi=0.14\)
• orijinal – z-score: \(\phi=0.19\)
• gəlir – z-score: \(\phi=0.11\)

olaraq bildirilmişdir.

Bu nəticə gizli faktorların dəqiq strukturunun tenzorun necə hazırlandığına həssas olduğunu göstərir.

Buna görə “Faktor 1 qəti olaraq məhz bu iqtisadi faktordur” kimi həddindən artıq qəti şərhlərdən çəkinmək lazımdır.

Bununla belə, whitepaper narrativi ilə bazar strukturu arasındakı uyğunluq bütün ilkin emal seçimlərində aşağı qalmışdır.

CP Nəticələri Təsadüfi Başlanğıca Həssasdırmı?

ALS alqoritmi təsadüfi başlanğıcdan istifadə etdiyinə görə tədqiqatçı rank-2 modelini 10 fərqli random seed ilə yenidən işə salmışdır.

Faktor matrisləri arasındakı orta uyğunluq:

\[ \phi=0.9999\pm0.0001 \]

və interval:

\[ [0.9997,\ 1.000] \]

olaraq müəyyən edilmişdir.

Bu, yüklənmiş v4-də istifadə olunan tenzor və model altında təsadüfi başlanğıcın nəticəyə çox az təsir göstərdiyini göstərir.

Zamansal faktor sabitliyi

İkiillik nümunə iki hissəyə bölünmüşdür:

• İl 1: 8.771 saat,
• İl 2: 8.772 saat.

İki yarıdakı faktorların uyğunluğu:

\[ \phi=0.933 \]

olaraq müəyyən edilmişdir.

İl 1 – tam nümunə:

\[ \phi=0.977 \]

İl 2 – tam nümunə:

\[ \phi=0.987 \]

nəticəsini vermişdir.

Bu ölçmə eyni tenzor yaratma seçimləri altında faktor strukturunun ikiillik zaman intervalının iki yarısında kifayət qədər sabit olduğunu göstərir.

v4-də Bildirilmiş, Lakin Sonradan Geri Götürülmüş Token Əsaslı Tapıntılar

Yüklənmiş v4 versiyasında leave-one-out təhlilində aşağıdakı nəticələr bildirilmişdir:

Mühüm versiya xəbərdarlığı: Bu sıralama artıq tədqiqatın cari elmi nəticəsi deyil. Sonrakı arXiv versiyası əvvəlki korpusda yanlış və ya uğursuz endirilmiş whitepaper sənədlərinin olduğunu və ixtisaslaşmış tokenlərin daha yüksək uyğunluq göstərməsi barədə sıralamanın məzmun doğrulamasından sonra aradan qalxdığını bildirir.

Buna görə XMR, CRV və ya YFI-nin whitepaper narrativlərinin bazar davranışını digər layihələrdən daha yaxşı “proqnozlaşdırdığı” hazırda təsdiqlənmiş nəticə deyil.

v4 Whitepaper Korpusunda Sənəd Xətası

Yüklənmiş versiyanın öz Əlavə D bölməsində mühüm məlumat keyfiyyəti problemi açıq şəkildə qeyd edilmişdir.

ATOM üçün GitHub fallback mexanizmi ilə əldə olunan sənədin Cosmos Hub whitepaper-ı əvəzinə Binance Smart Chain whitepaper-ı olduğu bildirilir.

v4 müəllif qiymətləndirməsi bunun yalnız 37 aktivdən birinə təsir etdiyini və əsas zəif uyğunluq nəticəsini dəyişdirməsinin gözlənilmədiyini bildirir.

Lakin sonrakı tədqiqat versiyaları korpus doğrulamasını genişləndirərək əvvəlki entity-level nəticələrin sənəd çirklənməsinə daha həssas olduğunu ortaya qoymuşdur.

Whitepaper Kateqoriyalarından Hansıları v4-də Uyğunluğa Daha Çox Töhfə Verdi?

Bu cədvəl v4 korpusundan əldə edildiyi üçün token səviyyəli çirklənmə xəbərdarlığından müstəqil hesab edilməməlidir. Kateqoriya təsirləri kiçikdir və əsas narrativ–bazar uyğunluğunun ümumilikdə zəif olması faktını dəyişmir.

Bitcoin Əsas Nəticəni Təkbaşına Sürükləyirmi?

Bitcoin CP faktor məkanında çox aydın kənar dəyərdir. v4-də Faktor 1 yükü təxminən:

\[ 28.5 \]

olaraq bildirilmişdir; digər aktivlərin ortası təxminən sıfır ətrafındadır.

Buna görə tədqiqatçı Bitcoin-in nəticəni təkbaşına sürükləyib-sürükləmədiyini ayrıca araşdırmışdır.

v4 leave-one-out təhlilində Bitcoin-in uyğunluq təsiri təxminən:

\[ -0.004 \]

olaraq müəyyən edilmişdir.

Bu dəyər Bitcoin faktor məkanında böyük statistik kənar dəyər olsa da, whitepaper–bazar uyğunsuzluğu nəticəsinin yalnız Bitcoin-dən qaynaqlanmadığını düşündürür.

Ölçmə Xətası Zəif Uyğunluğu İzah Edə Bilərmi?

NLP modelləri arasındakı aşağı uyğunluq real narrativ profillərinin əhəmiyyətli ölçüdə ölçmə xətası ehtiva etməsi anlamına gələ bilər.

Mənbə Spearman attenuation correction yanaşması ilə:

\[ \phi_{\text{true}} \approx \frac{ \phi_{\text{obs}} }{ \sqrt{ \rho_{XX}\rho_{YY} } } \]

şəklində düzəliş qiymətləndirməsi aparır.

Claims etibarlılığı:

\[ \rho_{XX}\approx0.30 \]

və bazar etibarlılığı fərziyyəsi:

\[ \rho_{YY}=0.95 \]

istifadə edildikdə Claims–Factors düzəldilmiş uyğunluğu təxminən:

\[ \phi_{\text{disatt}}\approx0.11 \]

olaraq hesablanmışdır.

Bu dəyər yenə 0,65 orta uyğunluq həddindən xeyli aşağıdır.

Lakin bu düzəliş də etibarlılıq parametrlərinin necə qiymətləndirilməsindən asılıdır və real narrativ ölçmə xətasını qəti şəkildə həll etmir.

Pozitiv Kontrolda Dövriyyət Problemi Varmı?

Bazar statistikaları və tenzor faktorları eyni OHLCV məlumatından yaradıldığı üçün aralarında əhəmiyyətli əlaqənin tapılması qismən mexaniki ola bilər.

Mənbə bu problemi azaltmaq üçün nümunəni iki dövrə bölmüşdür:

• birinci ildən CP faktorları,
• ikinci ildən bazar statistikaları

yaradılmışdır.

Bu müstəqil zaman parçaları arasındakı uyğunluq:

\[ \phi=0.449,\qquad p=0.051 \]

olaraq müəyyən edilmişdir.

Bu nəticə nominal %5 həddinin dərhal üzərindədir. Buna görə “qəti əhəmiyyətli pozitiv kontrol” kimi şərh edilməməlidir; lakin hizalama sisteminin fərqli zaman nümunələrindən yaradılmış bazar təqdimatlarında orta böyüklükdə struktur oxşarlığı tuta bildiyini göstərir.

Tədqiqatın Dəstəklədiyi Nəticələr

• Yüklənmiş v4-də whitepaper narrativi ilə bazar statistikaları arasındakı Tucker uyğunluğu zəifdir: φ=0,246.
• Whitepaper narrativi ilə rank-2 tenzor faktorları arasındakı uyğunluq çox zəifdir: φ=0,058.
• Bu iki whitepaper əsaslı müqayisə permutasiya testində əhəmiyyətli deyil.
• Eyni bazar məlumatının fərqli xülasələrindən ibarət statistikalarla tenzor faktorları arasında zəif, lakin statistik olaraq əhəmiyyətli əlaqə vardır.
• CP və Tucker parçalanması v4-də oxşar narrativ–faktor nəticələri verir.
• Rank 1–5 intervalında narrativ–faktor uyğunluğu davamlı olaraq zəif qalır.
• Altı sürüşən zaman pəncərəsində narrativ–bazar uyğunluğu zəif intervalda qalır.
• Alternativ RV, distance correlation, CCA və PLS ölçmələri də whitepaper ehtiva edən müqayisələrdə əhəmiyyətli uyğunluq göstərmir.
• Tenzor faktorları risk, volatillik və likvidlik kimi reallaşmış bazar xüsusiyyətləri ilə əlaqəlidir.
• Tədqiqatın nümunə gücü güclü narrativ–bazar uyğunluğunu rədd etmək üçün yetərlidir, zəif uyğunluqla sıfır uyğunluğu qəti ayırmaq üçün isə yetərsizdir.

Tədqiqatın Dəstəkləmədiyi Ümumiləşdirmələr

• Whitepaper-ların gələcək kripto qiymətlərini proqnozlaşdıra bilmədiyi nəticəsi bu tədqiqatdan çıxarıla bilməz; tədqiqat qiymət proqnozu aparmır.
• Whitepaper məzmununun bazarla qətiyyən heç bir əlaqəsinin olmadığı sübut edilməmişdir.
• p>0,05 nəticəsi “əlaqə tam olaraq sıfırdır” demək deyil.
• Whitepaper təhlilinin texnoloji keyfiyyət, təhlükəsizlik və ya layihə məqsədi baxımından dəyərsiz olduğu nəticəsi çıxarıla bilməz.
• Tədqiqat investisiya strategiyası və ya alqı-satqı siqnalı hazırlamır.
• Tokenin müəyyən whitepaper kateqoriyasına daxil olması onun daha yüksək və ya aşağı investisiya gəliri təmin edəcəyini göstərmir.
• Yalnız Binance məlumatına əsaslanan nəticələrin bütün birjalarda eyni olacağı göstərilməmişdir.
• İkiillik bazar dövrünün uzunmüddətli bütün kripto tarixini təmsil etdiyi deyilə bilməz.
• Ümumi məqsədli zero-shot NLP modellərinin kripto terminologiyasını səhvsiz təsnif etdiyi göstərilməmişdir.
• v4-dəki XMR, CRV, YFI, SOL kimi token əsaslı müsbət sıralamalar cari elmi nəticə kimi istifadə edilə bilməz; sonrakı versiya onları korpus kontaminasiyası kontekstində geri götürmüşdür.

Əsas Məhdudiyyətlər

1. Kiçik ortaq nümunə

Əsas hizalama yalnız 37 aktivlə aparılır. Bu nümunə güclü effektlər üçün yetərli olsa da, zəif və orta böyüklükdə əlaqələri aşkarlamaq qabiliyyəti məhduddur.

2. Whitepaper-lar statik sənədlərdir

Bir çox whitepaper layihənin ilk illərində yazılmışdır. Buna qarşılıq bazar məlumatı 2023–2024 dövrünə aiddir. Layihələrin illər ərzində dəyişən narrativləri əsas whitepaper tərəfindən təmsil olunmaya bilər.

3. Taksonomiya tədqiqatçı tərəfindən müəyyən edilmişdir

10 kateqoriya kripto ekosistemi üçün məqbul olsa da, yeganə mümkün təsnifat deyil. Daha incə və ya fərqli taksonomiya başqa əlaqələri üzə çıxara bilər.

4. Zero-shot təsnifatda domain shift

BART-MNLI ümumi təbii dil nəticəçıxarması üzərində təlim keçmişdir. “AMM”, “sharding”, “tokenomics” və oxşar kriptoya xas ifadələrin ümumi məqsədli model tərəfindən hər zaman düzgün qavranacağına zəmanət yoxdur.

5. Tək bazar məlumat təminatçısı

OHLCV məlumatları Binance-dən əldə edilmişdir. Müxtəlif birjalardakı likvidlik və mikrostruktur fərqləri modelə daxil edilmir.

6. Tenzor faktorları ilkin emala həssasdır

OHLCV səviyyələri, gəlirlər və aktiv əsaslı z-score istifadə edildikdə əldə olunan faktorlar arasında yalnız aşağı uyğunluq tapılmışdır. Buna görə gizli faktorların iqtisadi şərhi qəti qəbul edilməməlidir.

7. Procrustes ölçü uyğunlaşdırması

v4 əsas təhlilində istifadə olunan sıfır sütun əlavə etmə üsulu standart olmayan və φ dəyərini aşağı sala bilən yanaşmadır. Mənbə bunu açıq şəkildə məhdudiyyət kimi qəbul edir.

8. Bootstrap qərəzi

Kiçik nümunədə təkrarlanan aktivlərin Procrustes uyğunluğunu süni şəkildə yüksəldə bilməsi səbəbindən etibar intervalları tam dəqiqlikdə qiymətləndirilməməlidir.

9. Whitepaper korpusunda məzmun keyfiyyəti

Yüklənmiş v4-ün öz əlavəsində ATOM üçün yanlış whitepaper istifadə edildiyi məlumdur. Sonrakı arXiv versiyalarında daha geniş korpus kontaminasiyası aşkar edildiyinə görə xüsusilə v4-ün aktiv əsaslı nəticələri etibarlı cari tapıntı kimi istifadə edilməməlidir.

Türkiyə Baxımından Necə Oxunmalıdır?

Türkiyədə kriptoaktivləri araşdıran investorlar, akademiklər və ya maliyyə texnologiyası tərtibatçıları üçün tədqiqatın ən mühüm mesajı tokenin özünü necə təqdim etməsi ilə bazarda hansı risk və likvidlik xüsusiyyətlərini göstərməsinin eyni şey olmamasıdır.

Məsələn, iki layihə də özünü “miqyaslana bilən ağıllı müqavilə platforması” kimi təqdim edə bilər; buna baxmayaraq bazar davranışları fərqli makro şərait, Bitcoin korrelyasiyası, likvidlik, token təklifi, investor strukturu və bazar mikrostrukturu tərəfindən təsirlənə bilər.

Buna görə whitepaper təhlili texnoloji və funksional qiymətləndirmə üçün istifadə edilə bilər, investisiya davranışı isə ayrıca bazar məlumatları ilə araşdırılmalıdır.

Lakin tədqiqat Türkiyə mərkəzli investor davranışı, Türkiyədəki birjalar və ya türk lirəsi ilə ifadə olunan kripto bazarları üzərində təcrübə aparmamışdır. Yerli nəticələr üçün ayrıca doğrulama tələb olunur.

Mənbə və Metod Qeydi

Yüklənmiş versiyanın orijinal başlığı: Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis.

Müəllif: Murad Farzulla.

Yüklənmiş versiyadakı qurumlar: Dissensus AI, London, UK; King's College London, London, UK.

Müəllif sayı: Tək müəllifli tədqiqat.

Bərabər töhfə: Tətbiq edilmir.

Məsul müəllif: Mənbədə Murad Farzulla ulduz işarəsi ilə correspondence müəllifi kimi göstərilmişdir.

ORCID: 0009-0002-7164-8704.

Working paper seriyası: Dissensus AI Working Paper Series.

Hesabat nömrəsi: DAI-2508.

ArXiv identifikatoru: arXiv:2601.20336.

Yüklənmiş fayl: arXiv:2601.20336v4.

Yüklənmiş versiyanın tarixi: 14 Fevral 2026.

ArXiv DOI: 10.48550/arXiv.2601.20336.

Yüklənmiş versiyanın mənbə növü: Working paper / arXiv preprint.

Resenziya statusu: Yüklənmiş v4 resenziyalı yekun jurnal məqaləsi deyil. Noyabr 2026-dakı cari müəllif/laboratoriya qeydində tədqiqat Financial Innovation üçün resenziya və major-revision prosesində göstərilir; qəbul edilmiş yekun nəşr təsdiqlənməmişdir.

Mühüm versiya dəyişikliyi: ArXiv qeydi v4-dən sonra yenilənmişdir. Cari v6 versiyası 11 İyul 2026 tarixlidir və başlığı “Are Whitepaper Claims Reflected in Market Structure? A Contamination-Aware Pipeline and a Power-Limited Null” formasındadır.

Cari versiyanın əsas düzəlişi: v4-də bildirilmiş bəzi token səviyyəli narrativ–bazar sıralamalarının whitepaper korpusu kontaminasiyasından təsirləndiyi sonrakı versiyada qeyd edilmiş və bu sıralama elmi tapıntı kimi geri götürülmüşdür. Bu Verianla mətnində müvafiq v4 nəticələri yalnız tarixi versiya məlumatı kimi göstərilmişdir.

Əsas bazar məlumat mənbəyi: Binance API; CCXT kitabxanası.

Bazar dövrü: 1 Yanvar 2023 – 31 Dekabr 2024.

Bazar aktivləri: 49.

Whitepaper/texniki sənəd: Yüklənmiş v4-də 38.

Əsas ortaq nümunə: 37 aktiv.

Zaman nöqtələri: 17.543 saatlıq müşahidə.

Bazar xüsusiyyətləri: Open, High, Low, Close, Volume.

Maliyyə xülasə statistikaları: Orta gəlir, volatillik, Sharpe nisbəti, maksimum geriləmə, orta həcm, volatilliyin volatilliyi və trend.

NLP üsulu: BART-large-MNLI zero-shot təsnifat.

Alternativ NLP doğrulaması: DeBERTa-v3, sentence embedding və Ministral-3 əsaslı təsnifat kontrolleri.

Whitepaper kateqoriya sayı: 10.

Tenzor üsulu: CP/CANDECOMP-PARAFAC; robustness üçün Tucker decomposition.

CP rankı: 2.

İzah olunan variasiya: %92,45.

Əsas hizalama: Orthogonal Procrustes rotation.

Əsas oxşarlıq ölçüsü: Tucker's Congruence Coefficient (φ).

Claims–Statistics v4 nəticəsi: φ=0,246, p=0,339.

Claims–Factors v4 nəticəsi: φ=0,058, p=0,751.

Statistics–Factors v4 nəticəsi: φ=0,174, p<0,001.

Statistik nəticəçıxarma: 1.000 permutasiyalı birtərəfli permutasiya testi; 1.000 yenidən nümunələməli bootstrap etibar intervalları.

Güc həddi: n=37 nümunə təxminən φ≥0,70 səviyyəsindəki güclü uyğunluğu yüksək güclə aşkar edə bilər; φ≈0,30 səviyyəsində zəif effektlər üçün güc aşağıdır.

Bootstrap xəbərdarlığı: Mənbə kiçik nümunə və Procrustes hizalaması səbəbindən bootstrap etibar intervallarında mühüm yuxarı istiqamətli qərəz olduğunu bildirir.

Whitepaper təsnifatının etibarlılığı: BART–DeBERTa exact top-1 uyğunluğu %32, Cohen's κ=0,14; yumşaq top-3 uyğunluğu %67.

Sənəd keyfiyyəti problemi: v4 Əlavə D, ATOM üçün Cosmos Hub əvəzinə Binance Smart Chain whitepaper-ının təhlil edildiyini açıq şəkildə bildirir. Sonrakı versiya korpus keyfiyyət nəzarətini daha geniş etmişdir.

Reproduksiya: Mənbə random seed 42, Python 3.11+, NumPy, SciPy, TensorLy, scikit-learn və Hugging Face Transformers istifadə etdiyini bildirir.

Kod və emal edilmiş məlumatlar: Mənbə studiofarzulla/tensor-defi GitHub deposunu reproduksiya materialı kimi göstərir.

Kod lisenziyası: PDF bəyanatında reproduksiya kodunun MIT License altında yayımlandığı bildirilir.

Maliyyələşdirmə: Tədqiqat xarici maliyyələşdirmə almamışdır; hesablama resurslarının King's College London tərəfindən təmin edildiyi bildirilir.

Maraqların toqquşması: Müəllif competing interests olmadığını bəyan edir.

AI yardımı: Mənbə Claude (Anthropic) sisteminin qaralama hazırlama, kod nəzərdən keçirmə və statistik izahda kömək etdiyini; tədqiqat dizaynı, məlumat təhlili və şərhlərin məsuliyyətinin müəllifə aid olduğunu bildirir.

Müəllif töhfəsi: Sole author.

Məlumat əlçatanlığı: Binance/CCXT bazar məlumatları və rəsmi layihə sənədləri ictimai mənbələrdəndir; emal edilmiş məlumatlar və NLP çıxışları reproduksiya deposunda təqdim edilmişdir.

Şəkil 1: Üç NLP təsnifat üsulunun 10 kateqoriyadakı orta skorlarını müqayisə edir.

Şəkil 2: Bir zaman nöqtəsində z-normallaşdırılmış bazar tenzorunun kəsiyini göstərir.

Şəkil 3: Aktivləri rank-2 CP faktor məkanında göstərir; BTC, GALA və SC-nin statistik kənar dəyərlər olduğu bildirilir.

Şəkil 4: v4 whitepaper iddia matrisinin 38 aktiv × 10 kateqoriya istilik xəritəsidir.

Şəkil 5: CP rankı, izah olunan variasiya və narrativ–faktor uyğunluğu arasındakı həssaslığı göstərir.

Şəkil 6 və Cədvəl 10: v4 entity-level leave-one-out təsirlərini göstərir. Bu bölmənin token sıralaması sonrakı versiyada korpus kontaminasiyası səbəbindən etibarlı tapıntı kimi saxlanmamışdır.

Şəkil 7 və Cədvəl 11: Whitepaper kateqoriyalarının v4 ablation əsaslı uyğunluq təsirlərini göstərir.

Şəkil 8: Bazar statistikaları ilə faktorlar arasında əhəmiyyətli korrelyasiyalar olduğu halda whitepaper kateqoriya–faktor cütlərində əhəmiyyətli korrelyasiya tapılmadığını göstərir.

Şəkil 9: Üç NLP üsulunun kateqoriya əsaslı korrelyasiyalarını göstərir.

Elmi şərh sərhədi: Yüklənmiş v4 kripto whitepaper-larındakı funksional narrativlərin 2023–2024 bazar faktor strukturu ilə güclü struktur uyğunluğu göstərmədiyini dəstəkləyir. Nümunənin məhdud gücü səbəbindən zəif uyğunluqla heç bir uyğunluq arasındakı fərq qəti şəkildə müəyyən edilə bilmir. Bu tədqiqat qiymət proqnozu modeli və ya investisiya məsləhəti deyil.