Makala haya yametayarishwa kutokana na utafiti wa kitaaluma unaojaribu kugundua hila za pump-and-dump zinazoratibiwa kupitia makundi ya Telegram katika masoko ya sarafu za siri kwa wakati halisi. Utafiti uliochanganuliwa una kichwa cha habari kinachosema, PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram.

Somo kuu la utafiti huu ni hila za soko zinazoandaliwa kupitia mitandao ya kijamii katika masoko ya sarafu za siri. Katika mipango ya pump-and-dump, kundi la waratibu huhamasisha ununuzi wa rasilimali ya crypto yenye ukwasi mdogo kwa wakati maalum. Wakati sarafu lengwa inapotangazwa, washiriki hujaribu kununua kwa haraka; lakini mara nyingi nafasi yenye faida zaidi inachukuliwa na waratibu na watu wanaoanza mapema sana. Wawekezaji binafsi wanaochelewa wanaweza kupata hasara kutokana na kushuka kwa bei.

Utafiti huu haujaribu tu kugundua hila baada ya hali zisizo za kawaida za bei na kiasi cha mauzo kuanza. Badala yake, unachambua ujumbe wa uratibu moja kwa moja. Yaani, unalenga kutoa onyo pindi tu tangazo la pump linapotolewa, si baada ya harakati za bei kutokea.

Maudhui haya si ushauri wa uwekezaji. Makala hii ni maudhui ya uhariri yenye kuelimisha kuhusu ugunduzi wa udanganyifu katika masoko ya crypto, hila zinazotokana na mitandao ya kijamii, usindikaji wa lugha asilia na ufuatiliaji wa soko. Kushiriki katika makundi ya pump-and-dump, miamala kwa madhumuni ya hila, ununuzi na uuzaji ulioratibiwa, au tabia ya kuongoza soko kunaweza kubeba hatari za kisheria na kifedha.

Utafiti mpya wa kitaaluma unatoa seti ya data na kiwango kiitwacho PumpSense ili kugundua mipango ya crypto pump-and-dump inayoandaliwa kupitia Telegram kwa kiwango cha ujumbe. Watafiti walikusanya jumbe 283,017 kutoka makundi 39 ya umma ya Telegram na kuweka lebo kwa mikono kwenye matangazo 2,246 ya kuanza kwa pump. Wakati modeli ya LightGBM inafanya kazi na F1=0.79 na ucheleweshaji wa takriban mikrosekunde 9.4 kwa kila sampuli, modeli ya BGE-M3 inafanya kazi na F1=0.83 lakini kwa ucheleweshaji wa milisekunde 50. Linapokuja suala la kutoa sarafu lengwa na soko, mbinu rahisi zinazotegemea sheria zinapungukiwa, wakati modeli zinazotegemea LLM zinaweza kutoa usahihi wa pamoja wa hadi 0.91. Ujumbe mkuu wa utafiti ni huu: Modeli nyepesi zinaweza kufaa zaidi kwa ugunduzi wa awali, huku modeli kubwa za lugha zikiwa zinafaa kwa uchimbaji wa kina tu kwenye jumbe zinazoshukiwa.

1. Kichwa

Mipango ya pump-and-dump katika masoko ya sarafu za siri husababisha tatizo kubwa la uadilifu wa soko, hasa katika altcoin zenye ukwasi mdogo. Katika mipango hii, waratibu mara nyingi hutangaza muda mapema, lakini hawatangazi sarafu lengwa mara moja. Wakati uliopangwa, sarafu lengwa na soko hushirikiwa. Washiriki hujaribu kununua kwa wakati mmoja; bei hupanda kwa muda mfupi na waratibu kwa kawaida huuza rasilimali walizonazo wakati wa kupanda huku.

Aina hii ya mipango ni tabia za hila za soko ambazo zinaweza kuwa chini ya vikwazo vikali katika masoko ya kifedha ya jadi. Hata hivyo, katika masoko ya crypto, muundo wa soko uliogawanyika zaidi, orodha rahisi ya ishara (tokens) zenye ukwasi mdogo, makundi ya mitandao ya kijamii yasiyojulikana, na mianya ya udhibiti imefanya tabia hizi kuonekana zaidi.

Sehemu kubwa ya tafiti zilizopo za ugunduzi wa pump huangalia hali zisizo za kawaida za bei, kiasi au miamala. Ingawa mbinu hizi ni za manufaa, mara nyingi hutoa ishara baada ya pump kuanza. Kufikia wakati huo, harakati ya bei inaweza kuwa tayari imefanyika.

Swali kuu la utafiti huu ni hili: Je, tangazo la hila linaweza kunaswa moja kwa moja katika jumbe za Telegram? Ikiwa linaweza kunaswa, je, taarifa kuhusu sarafu lengwa na soko lengwa inaweza pia kutolewa kiotomatiki?

2. Muhtasari mfupi

Utafiti unafafanua majukumu makuu mawili.

Jukumu la kwanza: Kuainisha iwapo dirisha la ujumbe wa Telegram lina tangazo la kuanza kwa pump au la.

Jukumu la pili: Kutoa sarafu lengwa ya crypto na soko lengwa kutoka kwenye dirisha lililowekwa alama kama tangazo la pump.

Watafiti walikusanya jumbe 283,017 kutoka makundi 39 ya umma ya Telegram na kwa kuchunguza jumbe zote kwa mikono, walibainisha matangazo 2,246 ya kuanza kwa pump. Katika matangazo haya, sarafu lengwa ya crypto na soko pia ziliwekwa lebo kwa mikono. Zaidi ya hayo, matukio 140 ya pump yaliyoghairiwa pia yaliwekwa alama tofauti.

Kwa upande wa modeli, mbinu ya ngazi mbili inajitokeza. Katika ngazi ya kwanza, modeli ya ugunduzi wa haraka na nyepesi inatumiwa. Kwa kusudi hili, modeli ya LightGBM inayofanya kazi kwenye vipengele vya TF-IDF ilijaribiwa. Pia, ulinganisho ulifanywa na encoder nzito zaidi ya transformer, ambayo ni BGE-M3.

Katika ngazi ya pili, modeli za gharama kubwa zaidi lakini zenye muktadha zaidi zinatumiwa tu kwenye idadi ndogo ya madirisha yaliyowekwa alama kama pump. Katika kutoa sarafu lengwa na soko, mbinu inayotegemea sheria, Longformer Encoder-Decoder, na modeli tofauti za LLM zililinganishwa.

Mantiki ya kiutendaji ya mbinu hii ni hii: Badala ya kupitisha trafiki yote ya Telegram kupitia modeli kubwa ya lugha ya gharama, madirisha yanayoshukiwa huchujwa kwanza kwa kutumia modeli ya haraka sana. Kisha, uchimbaji wa kina wa taarifa unafanywa na LLM pekee kwenye kundi hili dogo.

3. Maelezo ya kina

PDF hii si utafiti unaojumuisha uundaji mzito wa kihisabati. Fomula zinaweza kutumika zaidi kuelezea usanidi wa dirisha la data, lebo ya uainishaji, upimaji wa utendaji, na usahihi wa makisio. Mawasilisho yafuatayo yanarahisisha mbinu katika utafiti kwa njia inayoendana na MathJax.

1. Msururu wa ujumbe wa Telegram

Jumbe katika kila kundi la Telegram hushughulikiwa kwa mpangilio wa matukio:

Hapa, \(m_i\) inawakilisha ujumbe namba \(i\) katika kundi husika. Modeli haitathmini ujumbe mmoja pekee, bali pamoja na muktadha unaouzunguka.

2. Dirisha la jumbe 11

Kwa kila ujumbe wa kati, dirisha lenye jumbe 5 zilizotangulia na jumbe 5 zifuatazo huundwa:

Muundo huu unakubali kwamba tangazo la pump huenda lisitokee katika ujumbe mmoja tu, bali katika mtiririko mfupi wa mazungumzo. Kwa mfano, kwanza kunaweza kuwa na kuhesabu kurudi nyuma, kisha sarafu lengwa, na baadaye ujumbe wa kuelekeza. Mbinu ya dirisha inajaribu kunasa muktadha huu.

3. Lebo ya uainishaji

Lebo pacha (binary) inatumika kwa kila dirisha:

Hapa, \(y_i=1\) inamaanisha dirisha lina tangazo la kwanza wazi la kuanza kwa pump. \(y_i=0\) inaonyesha kuwa dirisha halina tangazo la kuanza kwa pump.

4. Utengano wa mafunzo, uthibitishaji na upimaji kulingana na wakati

Katika utafiti, mgawanyo wa data kulingana na mlolongo wa wakati unatumiwa badala ya mgawanyo wa nasibu:

Chaguo hili ni muhimu. Hii ni kwa sababu madirisha ya ujumbe yanafanana sana, na madirisha jirani yanaweza kubeba maudhui yanayofanana hadi jumbe 10. Ikiwa mgawanyo wa nasibu utafanywa, ujumbe huo huo unaweza kuvuja kwenye upande wa mafunzo na upimaji. Mgawanyo kulingana na wakati unafaa zaidi kwa hali ya ulimwengu halisi ya "jifunze kutoka zamani, gundua yajayo".

5. Usahihi (Precision)

Kwa kundi la pump, usahihi (precision) unaonyesha ni asilimia ngapi ya madirisha ambayo modeli inayaita pump ni pump kweli:

Hapa, \(TP\) inawakilisha ugunduzi sahihi wa pump; na \(FP\) inawakilisha madirisha yaliyopewa onyo la uongo.

6. Kukumbuka (Recall)

Kukumbuka (Recall) kunaonyesha ni kiasi gani cha matangazo halisi ya pump ambayo yamenaswa:

Katika utafiti huu, recall ni muhimu hasa. Kwa sababu kukosa tangazo halisi la pump kunamaanisha kuwa mfumo wa ulinzi unapoteza nafasi ya kutoa onyo.

7. Alama ya F1 (F1 Score)

Alama ya F1 inachanganya viwango vya usahihi na kukumbuka kuwa kipimo kimoja:

Kwa vile jumbe za pump kwenye seti ya data ni chini ya asilimia 1 ya trafiki yote, usahihi wa jumla pekee unaweza kupotosha. Ndiyo maana F1, precision na recall zina maana zaidi kwa kundi la pump.

8. Usahihi uliosawazishwa (Balanced accuracy)

Kwenye seti za data zisizo na usawa, usahihi uliosawazishwa (balanced accuracy) unaweza kutumika:

Kipimo hiki kinazuia idadi kubwa ya kundi la jumbe zisizo za pump kuongeza usahihi wa jumla isivyo sawa.

9. Usahihi wa makisio lengwa

Usahihi katika kutoa sarafu lengwa au soko unahesabiwa kama ifuatavyo:

Katika utafiti, kipimo hiki kinaripotiwa kando kwa usahihi wa sarafu ya crypto, usahihi wa soko, na usahihi wa pamoja (joint accuracy) pale ambapo vyote viwili ni sahihi kwa wakati mmoja.

10. Usahihi wa pamoja (Joint accuracy)

Sarafu lengwa na soko vinapotolewa kwa usahihi kwa wakati mmoja, usahihi wa pamoja (joint accuracy) unapatikana:

Kipimo hiki ni kigumu zaidi. Kwa sababu haitoshi tu kujua sarafu au soko pekee; vyote viwili lazima viwe sahihi kwa pamoja.

4. Mbinu na matokeo ya utafiti

Jedwali la I linaonyesha tofauti kati ya tafiti zilizopita na PumpSense. Ingawa baadhi ya tafiti zilizotangulia zilishiriki nyakati za matukio au sarafu lengwa, hazikutoa seti ya data ya umma iliyowekwa lebo kwa mikono katika kiwango cha ujumbe. Utafiti huu unajaza pengo hilo kwa kutoa jumbe 283,017, matangazo 2,246 ya pump, lebo za mikono za sarafu/soko na kiwango cha ulinganisho (benchmark) cha modeli.

Kielelezo cha 1 kinaonyesha mfano wa tangazo la pump la Telegram sambamba na harakati za ghafla zinazosababisha katika bei ya sarafu lengwa. Ujumbe mkuu wa picha hii ni huu: Uhusiano wa muda mfupi sana na wenye nguvu unaweza kuanzishwa kati ya ujumbe wa uratibu wa mitandao ya kijamii na jibu la bei ya soko. Ndiyo maana ugunduzi wa mapema unaotegemea ujumbe unaweza kukamilisha ugunduzi wa kuchelewa unaotegemea tu data ya soko.

Jedwali la II linatoa muhtasari wa muundo wa jumla wa seti ya data. Kuna jumla ya jumbe 283,017, matangazo 2,246 ya pump, matukio 140 yaliyoghairiwa, sarafu lengwa tofauti 604 na masoko lengwa 14. Takriban 11% ya matangazo ya pump pia yanabeba maudhui ya picha. Kwa kuongezea, takriban 70% ya matangazo yalifanywa kati ya saa 15:00-17:00 UTC, na takriban 40% yalifanywa mwishoni mwa wiki.

Jedwali la III linaonyesha utendaji wa kugundua kuanza kwa pump. Modeli ya LightGBM inazalisha F1=0.79, usahihi=0.71, recall=0.88 na ucheleweshaji wa takriban mikrosekunde 9.4 kwa kila sampuli. Modeli ya BGE-M3 inazalisha F1=0.83, usahihi=0.89, recall=0.78 na ucheleweshaji wa milisekunde 50. Matokeo haya yanaonyesha kuwa modeli nzito zaidi ni bora kidogo katika alama ya F1; hata hivyo, LightGBM ni ya vitendo zaidi kwa mfumo wa kwanza wa kugundua kulingana na kasi na recall.

Kielelezo cha 2 kinaonyesha matokeo ya matrix ya kuchanganyikiwa (confusion matrix) kwa LightGBM na BGE-M3. LightGBM inakamata matangazo mengi zaidi ya kweli ya pump lakini hutoa kengele nyingi zaidi za uongo. BGE-M3 inafanya kazi kwa tahadhari zaidi, ikitoa kengele chache za uongo lakini inakosa baadhi ya matangazo ya pump. Kuhusiana na ufuatiliaji wa usalama, usawa gani wa kuchagua inategemea lengo la matumizi.

Jedwali la V linatoa matokeo muhimu zaidi katika utoaji wa sarafu lengwa na soko. Mbinu inayotegemea sheria inashindwa kutoa sarafu lengwa, huku ikionyesha mafanikio madogo katika utoaji wa soko. Longformer inatoa matokeo ya kiwango cha kati. Modeli zinazotegemea LLM zina nguvu zaidi: Kwa Gemini, usahihi wa sarafu unaripotiwa kama 0.95, usahihi wa soko kama 0.93 na usahihi wa pamoja kama 0.91. GPT inafikia 0.96 katika usahihi wa sarafu na usahihi wa pamoja uko katika kiwango cha 0.90.

5. Maelezo ya chanzo na mbinu

Watafiti walikusanya jumbe kutoka makundi 39 ya umma ya Telegram yanayojulikana kuandaa pump-and-dump. Kila ujumbe ulichukuliwa pamoja na maandishi yake na muhuri wa muda. Kwa jumla, mkusanyiko wa jumbe 283,017 ulipatikana.

Jumbe zilichunguzwa kwa mikono na madirisha yenye tangazo la kwanza wazi la kuanza kwa pump yaliwekwa lebo. Ikiwa tangazo halikuwa na habari ya sarafu lengwa au soko moja kwa moja, taarifa iliyokosekana ilikamilishwa kwa kuchunguza jumbe zilizoizunguka. Kama matokeo ya mchakato huu, matangazo 2,246 ya pump yaliwekwa lebo na habari ya sarafu lengwa ya crypto na soko lengwa.

Kwa utegemezi wa lebo, mtoa maelezo wa pili aliweka lebo upya kwenye sampuli iliyosawazishwa ya madirisha 5,000. Cohen's \(\kappa=0.96\) ilipatikana. Thamani hii inaonyesha kwamba kuna makubaliano karibu kamili kati ya wawekaji lebo wawili.

Modeli mbili zilijaribiwa kwa jukumu la ugunduzi. LightGBM inafanya kazi kwenye vipengele vya unigram na bigram vya TF-IDF. BGE-M3 ni modeli nzito zaidi ya maandishi inayotegemea transformer. Kwa kuwa data ilikuwa haina usawa mkubwa, uzito wa darasa (class weight) ulitumiwa na vipimo kama vile F1, precision na recall viliripotiwa kwa darasa la pump.

Mbinu nne zililinganishwa kwa jukumu la kutoa lengo: mbinu ya kamusi/regex inayotegemea sheria, Longformer Encoder-Decoder, DeepSeek, Gemini na uchimbaji wa LLM unaotegemea GPT. Modeli zote zilitathminiwa kwenye madirisha 420 ya pump katika seti moja ya upimaji.

6. Lebo za meta

Tokeo la kwanza la utafiti ni kwamba, ugunduzi wa pump unaotegemea ujumbe unaweza kufanywa kwa wakati halisi. Modeli nyepesi kama LightGBM inaweza kuchanganua trafiki kubwa ya Telegram kwa gharama nafuu, ikifanya kazi katika kiwango cha mikrosekunde. Hii ni faida muhimu, ikizingatiwa kuwa mifumo inayotegemea data ya soko mara nyingi hutoa onyo baada ya pump kuanza.

Tokeo la pili ni kwamba, alama ya juu zaidi ya F1 haimaanishi kila wakati kuwa ni modeli inayofaa zaidi kiutendaji. BGE-M3 hutoa F1 ya juu kidogo kuliko LightGBM; lakini ni ya polepole zaidi. Kwa vile kasi, gharama na uwezo wa kuongezeka ni muhimu katika mifumo ya ufuatiliaji, LightGBM inaonekana kufaa zaidi kama kichujio cha kwanza.

Tokeo la tatu ni kwamba, mbinu rahisi zinazotegemea sheria katika kutoa sarafu lengwa hupungukiwa sana. Baadhi ya alama (tickers) za crypto zinaweza kuingiliana na maneno ya kila siku. Kwa hiyo, kutafuta sarafu lengwa kwa kutumia kamusi tu au regex kunaweza kuzalisha matokeo yanayopotosha.

Tokeo la nne ni kwamba, modeli za LLM zinaonyesha utendaji dhabiti katika kutoa sarafu lengwa na soko. Hata hivyo, kutumia LLM kwenye trafiki yote ya Telegram kunaweza kuwa na gharama na polepole. Ndiyo maana muundo wa hatua unaopendekezwa na utafiti ni wa kimantiki zaidi: kwanza chagua madirisha yanayoshukiwa ukitumia modeli ya haraka, kisha fanya uchimbaji wa kina na LLM tu kwenye sehemu hii ndogo.

Tokeo la tano ni kwamba, matangazo ya pump yanaonyesha mkusanyiko katika usambazaji wa wakati na makundi. Sehemu kubwa ya matangazo hufanyika ndani ya saa maalum na makundi 10 yenye ushawishi mkubwa yanahusika na karibu 70% ya matukio. Hii inaonyesha kuwa kipaumbele cha rasilimali kinaweza kufanywa katika mifumo ya ufuatiliaji.

Kwa Nini Hili Ni Muhimu?

Mipango ya crypto pump-and-dump inaleta hatari kubwa kwa wawekezaji binafsi. Bei inaweza kupanda na kushuka haraka sana na washiriki wanaochelewa mara nyingi hupata hasara. Miundo kama hiyo huharibu uadilifu wa soko na inafanya kuwa ngumu kuunda mfumo wa ikolojia wa crypto unaoaminika.

Utafiti huu unaonyesha kuwa hila zinaweza kufuatiliwa sio tu kwenye grafu ya bei, lakini pia katika uratibu wa mitandao ya kijamii. Ikiwa tangazo la pump linaweza kunaswa katika kiwango cha ujumbe; masoko ya kubadilishana (exchanges), majukwaa, watafiti na wasimamizi wanaweza kutoa maonyo kabla ya harakati za soko kuanza au katika hatua za mapema sana.

Thamani ya vitendo ya utafiti iko katika mchanganyiko wa modeli nyepesi na LLM. Modeli za haraka kama LightGBM huchuja trafiki pana. Nazo LLM hufanya makisio ya kimuktadha kwenye kundi dogo lenye hatari pekee. Muundo huu unapunguza gharama zote mbili na unaweza kutoa taarifa ya sarafu/soko kwa usahihi zaidi.

Kwa mtazamo wa Verianla, ujumbe mkuu wa makala haya ni huu: Kupambana na hila katika masoko ya crypto haipaswi kuwa na mipaka kwa data ya blockchain au ufuatiliaji wa bei na kiasi pekee. Jumbe za uratibu wa mitandao ya kijamii pia zinaweza kuwa sehemu muhimu ya mifumo ya onyo la mapema.

Mambo ya Kuzingatia

Utafiti huu si ushauri wa uwekezaji. Haukuhimizi kujiunga na makundi ya pump-and-dump, kufanya biashara kwa madhumuni ya hila, au tabia iliyoratibiwa ya kununua na kuuza.

Utafiti unategemea makundi fulani ya umma ya Telegram. Makundi ya siri, Discord, X/Twitter au miundo ya hila kwenye majukwaa tofauti yanaweza kutumia lugha tofauti na aina tofauti za shirika.

Modeli inalenga katika mipango ya pump-and-dump iliyotangazwa mapema, yaani ambayo muda wake umepangwa hapo awali. Aina nyingine za hila zinaweza kuhitaji modeli tofauti.

Ingawa LightGBM inatoa kasi ya juu na recall nzuri, inazalisha chanya za uongo (false positives). Kwa hivyo, katika matumizi halisi, ukaguzi wa binadamu, uthibitishaji wa modeli ya pili, au uthibitishaji wa ziada ukitumia data ya soko unahitajika.

Ingawa uchimbaji unaotegemea LLM hutoa usahihi wa juu, ni nyeti kwa mambo kama vile gharama, ucheleweshaji wa API, unyeti wa maagizo (prompt sensitivity), na mabadiliko ya modeli.

Kwa vile kuna takriban 11% ya matangazo ya pump yenye picha, mifumo inayotegemea maandishi pekee inaweza kukosa baadhi ya matukio. Katika siku zijazo, mifumo ya njia nyingi (multimodal systems) inayochambua picha na maandishi kwa pamoja inaweza kuhitajika.

Hitimisho

Utafiti huu wa kitaaluma unaonyesha kuwa mipango ya crypto pump-and-dump inayotegemea Telegram inaweza kugunduliwa katika kiwango cha ujumbe na karibu na wakati halisi. Seti ya data ya PumpSense inatoa kipimo muhimu katika uwanja huu ikiwa na jumbe 283,017 na matangazo 2,246 ya pump yaliyowekwa lebo kwa mikono.

Matokeo yanaonyesha kuwa modeli nyepesi ya LightGBM inaweza kuchanganua matangazo ya kuanza kwa pump kwa kiwango cha mikrosekunde; ingawa modeli nzito zaidi kama BGE-M3 hutoa F1 ya juu kidogo, ni ya gharama kubwa zaidi katika matumizi ya kiwango kikubwa. Katika kutoa sarafu lengwa na soko, LLM zimefanikiwa zaidi kwa wazi.

Muundo wa kiutendaji wenye mantiki zaidi ni njia ya ufuatiliaji ya hatua mbili: Kwanza, trafiki ya Telegram inachanganuliwa na modeli ya haraka na ya bei nafuu; kisha, sarafu lengwa na soko hutolewa na LLM tu katika madirisha yanayoshukiwa. Mbinu hii inaweza kusaidia kunasa nia ya hila kabla ya harakati za bei.

Kwa mtazamo wa Verianla, ujumbe mkuu wa utafiti uko wazi: Ili kuelewa hila za soko katika masoko ya crypto, haitoshi kuangalia grafu tu. Alama za hila mara nyingi huanza kwanza katika uratibu wa mitandao ya kijamii.

Kidokezo cha Chanzo na Mbinu

Maudhui haya yametayarishwa kwa kuchunguza PDF ya kitaaluma yenye kichwa PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram. Maandishi si tafsiri ya neno kwa neno. Lengo la utafiti, seti ya data, mbinu, fomula za kimsingi, matokeo ya ugunduzi na uchimbaji, jumbe za grafu/jedwali na mapungufu yamerahisishwa na kuelezewa upya kwa wasomaji wa Verianla, kwa lugha asili na ya kihariri.

Kwa sababu za usalama na maadili, miongozo ya kina ya kiutendaji ambayo ingeweza kurahisisha utendaji wa makundi ya hila haijatolewa katika makala hii. Fomula zimetayarishwa ili kuelezea mantiki ya uainishaji na tathmini katika utafiti kwa njia inayoendana na MathJax.