Bu yazı, kripto para piyasalarında Telegram grupları üzerinden koordine edilen pump-and-dump manipülasyonlarını gerçek zamanlı tespit etmeye çalışan akademik bir çalışmadan hazırlanmıştır. İncelenen çalışma, PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram başlığını taşımaktadır.

Çalışmanın temel konusu, kripto piyasalarında sosyal medya üzerinden organize edilen piyasa manipülasyonudur. Pump-and-dump şemalarında bir grup organizatör, belirli bir zamanda düşük likiditeli bir kripto varlığın alınmasını teşvik eder. Hedef coin açıklandığında katılımcılar hızlıca alım yapmaya çalışır; ancak çoğu zaman en avantajlı pozisyonu organizatörler ve çok erken giren kişiler alır. Geç kalan bireysel yatırımcılar ise fiyat düşüşüyle zarar yaşayabilir.

Bu çalışma, manipülasyonu yalnızca fiyat ve hacim anormallikleri başladıktan sonra tespit etmeye çalışmaz. Bunun yerine doğrudan koordinasyon mesajlarını analiz eder. Yani fiyat hareketi oluştuktan sonra değil, pump duyurusu yapıldığı anda uyarı üretmeyi hedefler.

Bu içerik yatırım tavsiyesi değildir. Yazı; kripto piyasalarında dolandırıcılık tespiti, sosyal medya kaynaklı manipülasyon, doğal dil işleme ve piyasa gözetimi açısından bilgilendirici bir editoryal içeriktir. Pump-and-dump gruplarına katılım, manipülasyon amaçlı işlem, koordineli alım-satım veya piyasa yönlendirme davranışı hukuki ve finansal riskler taşıyabilir.

Yeni bir akademik çalışma, Telegram üzerinden organize edilen kripto pump-and-dump şemalarını mesaj düzeyinde tespit etmek için PumpSense adlı bir veri seti ve benchmark sunuyor. Araştırmacılar 39 public Telegram grubundan 283.017 mesaj toplamış ve 2.246 pump başlangıç duyurusunu manuel olarak etiketlemiş. LightGBM modeli F1=0.79 ve yaklaşık 9.4 mikrosaniye örnek başı gecikmeyle çalışırken, BGE-M3 modeli F1=0.83 ama 50 milisaniye gecikmeyle çalışıyor. Hedef coin ve borsa çıkarımında ise basit kural tabanlı yöntemler yetersiz kalırken, LLM tabanlı modeller 0.91’e kadar ortak doğruluk sağlayabiliyor. Çalışmanın ana mesajı şu: Hafif modeller ilk tespit için, büyük dil modelleri ise yalnızca şüpheli mesajlarda ayrıntılı çıkarım için daha uygun olabilir.

Problem Ne?

Kripto para piyasalarında pump-and-dump şemaları, özellikle düşük likiditeli altcoinlerde ciddi piyasa bütünlüğü sorunu oluşturur. Bu şemalarda organizatörler genellikle önceden bir zaman duyurur, fakat hedef coini hemen açıklamaz. Belirlenen anda hedef coin ve borsa paylaşılır. Katılımcılar aynı anda alım yapmaya çalışır; fiyat kısa süreli yükselir ve organizatörler genellikle ellerindeki varlıkları bu yükselişte satar.

Bu tür şemalar geleneksel finansal piyasalarda ağır yaptırımlara konu olabilecek piyasa manipülasyonu davranışlarıdır. Kripto piyasalarında ise daha parçalı borsa yapısı, düşük likiditeli tokenlerin kolay listelenmesi, anonim/pseudonymous sosyal medya grupları ve regülasyon boşlukları bu davranışları daha görünür hale getirmiştir.

Mevcut pump tespit çalışmalarının önemli bir kısmı fiyat, hacim veya işlem anormalliklerine bakar. Bu yöntemler faydalı olsa da çoğu zaman pump başladıktan sonra sinyal üretir. O noktada fiyat hareketi zaten gerçekleşmiş olabilir.

Bu çalışmanın temel sorusu şudur: Manipülasyon duyurusu doğrudan Telegram mesajlarında yakalanabilir mi? Eğer yakalanabilirse, hedef coin ve hedef borsa bilgisi de otomatik çıkarılabilir mi?

Yöntem Ne Öneriyor?

Çalışma iki temel görev tanımlar.

Birinci görev: Telegram mesaj penceresinin pump başlangıç duyurusu içerip içermediğini sınıflandırmak.

İkinci görev: Pump duyurusu olarak işaretlenen pencereden hedef kripto para birimini ve hedef borsayı çıkarmak.

Araştırmacılar 39 public Telegram grubundan 283.017 mesaj toplamış ve tüm mesajları manuel inceleyerek 2.246 pump başlangıç duyurusu belirlemiştir. Bu duyurularda hedef kripto para ve borsa da manuel olarak etiketlenmiştir. Ayrıca 140 iptal edilmiş pump olayı da ayrıca işaretlenmiştir.

Model tarafında iki katmanlı bir yaklaşım öne çıkar. İlk katmanda hızlı ve hafif bir tespit modeli kullanılır. Bu amaçla TF-IDF özellikleri üzerinde çalışan LightGBM modeli test edilmiştir. Ayrıca daha ağır bir transformer encoder olan BGE-M3 ile karşılaştırma yapılmıştır.

İkinci katmanda ise yalnızca pump olarak işaretlenen az sayıda pencere üzerinde daha pahalı ama daha bağlamsal modeller kullanılır. Hedef coin ve borsa çıkarımında kural tabanlı yöntem, Longformer Encoder-Decoder ve farklı LLM modelleri karşılaştırılmıştır.

Bu yaklaşımın pratik mantığı şudur: Bütün Telegram trafiğini pahalı bir büyük dil modelinden geçirmek yerine, önce çok hızlı bir modelle şüpheli pencereler süzülür. Daha sonra yalnızca bu küçük alt kümede LLM ile ayrıntılı bilgi çıkarımı yapılır.

Formüller Ne Anlatıyor?

Bu PDF yoğun matematiksel modelleme içeren bir çalışma değildir. Formüller daha çok veri penceresi kurma, sınıflandırma etiketi, performans ölçümü ve çıkarım doğruluğunu açıklamak için kullanılabilir. Aşağıdaki gösterimler, çalışmadaki yöntemi MathJax uyumlu biçimde sadeleştirir.

1. Telegram mesaj dizisi

Her Telegram grubundaki mesajlar kronolojik sırayla ele alınır:

Burada \(m_i\), ilgili gruptaki \(i\) numaralı mesajı temsil eder. Model tek bir mesajı izole biçimde değil, çevresindeki bağlamla birlikte değerlendirir.

2. 11 mesajlık pencere

Her merkez mesaj için 5 önceki ve 5 sonraki mesajı içeren bir pencere oluşturulur:

Bu yapı, pump duyurusunun tek bir mesajda değil, kısa bir konuşma akışı içinde ortaya çıkabileceğini kabul eder. Örneğin önce geri sayım, sonra hedef coin, ardından yönlendirme mesajı gelebilir. Pencere yaklaşımı bu bağlamı yakalamaya çalışır.

3. Sınıflandırma etiketi

Her pencere için ikili etiket kullanılır:

Burada \(y_i=1\), pencerenin ilk açık pump başlangıç duyurusunu içerdiği anlamına gelir. \(y_i=0\), pencerenin pump başlangıç duyurusu içermediğini gösterir.

4. Zamana göre eğitim, doğrulama ve test ayrımı

Çalışmada rastgele veri ayrımı yerine zaman sıralı ayrım kullanılır:

Bu tercih önemlidir. Çünkü mesaj pencereleri birbirine çok benzer ve komşu pencereler 10 mesaja kadar ortak içerik taşıyabilir. Rastgele ayırma yapılırsa aynı mesaj hem eğitim hem test tarafına sızabilir. Zamana göre ayrım, gerçek dünyadaki “geçmişten öğren, geleceği tespit et” senaryosuna daha uygundur.

5. Precision

Pump sınıfı için precision, modelin pump dediği pencerelerin ne kadarının gerçekten pump olduğunu gösterir:

Burada \(TP\), doğru pump tespitlerini; \(FP\), yanlış alarm verilen pencereleri ifade eder.

6. Recall

Recall, gerçek pump duyurularının ne kadarının yakalandığını gösterir:

Bu çalışmada recall özellikle önemlidir. Çünkü gerçek bir pump duyurusunu kaçırmak, savunma sisteminin uyarı verme şansını kaybetmesi anlamına gelir.

7. F1 skoru

F1 skoru, precision ve recall değerlerini tek ölçüde birleştirir:

Veri setinde pump mesajları toplam trafiğin %1’inden az olduğu için yalnızca genel doğruluk yanıltıcı olabilir. Bu nedenle pump sınıfı için F1, precision ve recall daha anlamlıdır.

8. Dengeli doğruluk

Dengesiz veri setlerinde balanced accuracy kullanılabilir:

Bu ölçü, çoğunluk sınıfı olan non-pump mesajların genel doğruluğu şişirmesini engeller.

9. Hedef çıkarım doğruluğu

Hedef coin veya borsa çıkarımında doğruluk şu şekilde hesaplanır:

Çalışmada bu ölçü kripto para doğruluğu, borsa doğruluğu ve ikisinin aynı anda doğru olduğu joint accuracy için ayrı ayrı raporlanır.

10. Ortak doğruluk

Hedef coin ve borsa aynı anda doğru çıkarıldığında joint accuracy elde edilir:

Bu ölçü daha katıdır. Çünkü yalnızca coini veya yalnızca borsayı bilmek yeterli değildir; ikisi birlikte doğru olmalıdır.

Grafik, Tablo ve Şema Ana Mesajı

Tablo I, önceki çalışmalarla PumpSense arasındaki farkı gösterir. Önceki çalışmaların bir kısmı olay zamanlarını veya hedef coinleri paylaşsa da, mesaj düzeyinde manuel etiketli ve public bir veri seti sunmamıştır. Bu çalışma ise 283.017 mesaj, 2.246 pump duyurusu, manuel coin/borsa etiketi ve model benchmark’ı sunarak bu boşluğu doldurur.

Şekil 1, bir Telegram pump duyurusu örneğiyle bunun hedef coin fiyatında oluşturduğu ani hareketi yan yana gösterir. Bu görselin ana mesajı şudur: Sosyal medya koordinasyon mesajı ile piyasa fiyat tepkisi arasında çok kısa süreli ve güçlü bir bağ kurulabilir. Bu yüzden mesaj tabanlı erken tespit, yalnızca piyasa verisine dayalı geç tespiti tamamlayabilir.

Tablo II, veri setinin genel yapısını özetler. Toplam 283.017 mesaj, 2.246 pump duyurusu, 140 iptal edilmiş pump olayı, 604 farklı hedef coin ve 14 hedef borsa bulunur. Pump duyurularının yaklaşık %11’i görsel içerik de taşır. Ayrıca duyuruların yaklaşık %70’i 15:00–17:00 UTC saatleri arasında, yaklaşık %40’ı ise hafta sonlarında yapılmıştır.

Tablo III, pump başlangıç tespit performansını gösterir. LightGBM modeli F1=0.79, precision=0.71, recall=0.88 ve yaklaşık 9.4 mikrosaniye örnek başı gecikme üretir. BGE-M3 modeli F1=0.83, precision=0.89, recall=0.78 ve 50 milisaniye gecikme üretir. Bu sonuç, daha ağır modelin F1 skorunda biraz daha iyi olduğunu; ancak LightGBM’in hız ve recall açısından ilk hat tespit sistemi için daha pratik olduğunu gösterir.

Şekil 2, LightGBM ve BGE-M3 için confusion matrix sonuçlarını gösterir. LightGBM daha fazla gerçek pump duyurusunu yakalar ama daha fazla yanlış alarm üretir. BGE-M3 daha temkinli davranır, daha az yanlış alarm verir ama bazı pump duyurularını kaçırır. Güvenlik gözetimi açısından hangi denge seçileceği kullanım amacına bağlıdır.

Tablo V, hedef coin ve borsa çıkarımında en önemli sonucu verir. Kural tabanlı yöntem, hedef coin çıkarımında başarısız olurken borsa çıkarımında sınırlı başarı gösterir. Longformer orta düzey sonuç verir. LLM tabanlı modeller ise çok daha güçlüdür: Gemini için coin doğruluğu 0.95, borsa doğruluğu 0.93 ve joint accuracy 0.91 olarak raporlanır. GPT ise coin doğruluğunda 0.96’ya ulaşır ve joint accuracy 0.90 seviyesindedir.

Deneyler Nasıl Yapılmış?

Araştırmacılar, pump-and-dump organize ettiği bilinen 39 public Telegram grubundan mesaj toplamıştır. Her mesaj metni ve zaman damgası ile birlikte alınmıştır. Toplamda 283.017 mesajlık bir korpus elde edilmiştir.

Mesajlar manuel olarak incelenmiş ve ilk açık pump başlangıç duyurusunu içeren pencereler etiketlenmiştir. Bir duyuru hedef coin veya borsa bilgisini doğrudan içermiyorsa, çevre mesajlar incelenerek eksik bilgi tamamlanmıştır. Bu işlem sonucunda 2.246 pump duyurusu, hedef kripto para ve hedef borsa bilgisiyle birlikte etiketlenmiştir.

Etiket güvenilirliği için ikinci bir annotator 5.000 pencerelik dengeli bir örneği yeniden etiketlemiştir. Cohen’s \(\kappa=0.96\) bulunmuştur. Bu değer, iki etiketleyici arasında neredeyse mükemmel uyum olduğunu gösterir.

Tespit görevi için iki model test edilmiştir. LightGBM, TF-IDF unigram ve bigram özellikleri üzerinde çalışır. BGE-M3 ise transformer tabanlı daha ağır bir metin modelidir. Veri çok dengesiz olduğu için class weight kullanılmış ve pump sınıfı için F1, precision, recall gibi metrikler raporlanmıştır.

Hedef çıkarım görevi için dört yaklaşım karşılaştırılmıştır: kural tabanlı sözlük/regex yaklaşımı, Longformer Encoder-Decoder, DeepSeek, Gemini ve GPT tabanlı LLM çıkarımı. Tüm modeller aynı test setindeki 420 pump penceresi üzerinde değerlendirilmiştir.

Sonuçlar Ne Gösteriyor?

Çalışmanın ilk sonucu, mesaj tabanlı pump tespitinin gerçek zamanlı yapılabileceğidir. LightGBM gibi hafif bir model, mikrosaniye düzeyinde çalışarak büyük Telegram trafiğini düşük maliyetle tarayabilir. Bu, piyasa verisi tabanlı sistemlerin çoğu zaman pump başladıktan sonra uyarı verdiği düşünüldüğünde önemli bir avantajdır.

İkinci sonuç, en yüksek F1 skorunun her zaman en pratik model anlamına gelmediğidir. BGE-M3, LightGBM’den biraz daha yüksek F1 sağlar; ancak çok daha yavaştır. Gözetim sistemlerinde hız, maliyet ve ölçeklenebilirlik kritik olduğu için LightGBM ilk hat filtresi olarak daha uygun görünür.

Üçüncü sonuç, hedef coin çıkarımında basit kural tabanlı yöntemlerin ciddi biçimde yetersiz kalmasıdır. Kripto ticker’larının bazıları günlük dildeki kelimelerle çakışabilir. Bu nedenle yalnızca sözlük veya regex ile hedef coin bulmak yanıltıcı sonuçlar üretebilir.

Dördüncü sonuç, LLM modellerinin hedef coin ve borsa çıkarımında güçlü performans göstermesidir. Ancak LLM’leri tüm Telegram trafiğine uygulamak maliyetli ve yavaş olabilir. Bu nedenle çalışmanın önerdiği kademeli mimari daha mantıklıdır: önce hızlı modelle şüpheli pencereleri seç, sonra yalnızca bu küçük bölümde LLM ile ayrıntılı çıkarım yap.

Beşinci sonuç, pump duyurularının zaman ve grup dağılımında yoğunlaşma göstermesidir. Duyuruların büyük kısmı belirli saat aralığında gerçekleşir ve en etkili 10 grup olayların yaklaşık %70’inden sorumludur. Bu, gözetim sistemlerinde kaynak önceliklendirmesi yapılabileceğini gösterir.

Bu Neden Önemli?

Kripto pump-and-dump şemaları bireysel yatırımcılar için ciddi risk oluşturur. Fiyat çok hızlı yükselip düşebilir ve geç kalan katılımcılar çoğu zaman zarar eder. Bu tür yapılar piyasa bütünlüğünü zedeler ve güvenilir kripto ekosistemi oluşmasını zorlaştırır.

Bu çalışma, manipülasyonun yalnızca fiyat grafiğinde değil, sosyal medya koordinasyonunda da izlenebileceğini gösteriyor. Eğer pump duyurusu mesaj düzeyinde yakalanabilirse; borsalar, platformlar, araştırmacılar ve düzenleyiciler piyasa hareketi başlamadan veya çok erken aşamada uyarı üretebilir.

Çalışmanın pratik değeri, hafif model ve LLM birleşiminde yatıyor. LightGBM gibi hızlı modeller geniş trafiği süzer. LLM’ler ise yalnızca küçük ve riskli alt kümede bağlamsal çıkarım yapar. Bu yapı hem maliyeti düşürür hem de hedef coin/borsa bilgisini daha doğru çıkarabilir.

Verianla açısından bu makalenin ana mesajı şudur: Kripto piyasalarında manipülasyonla mücadele yalnızca blockchain verisi veya fiyat-hacim takibiyle sınırlı kalmamalıdır. Sosyal medya koordinasyon mesajları da erken uyarı sistemlerinin önemli bir parçası olabilir.

Dikkat Noktaları

Bu çalışma yatırım tavsiyesi değildir. Pump-and-dump gruplarına katılmayı, manipülasyon amaçlı işlem yapmayı veya koordineli alım-satım davranışını teşvik etmez.

Çalışma belirli public Telegram gruplarına dayanır. Private gruplar, Discord, X/Twitter veya farklı platformlardaki manipülasyon yapıları farklı dil ve organizasyon biçimleri kullanabilir.

Model pre-announced yani önceden zamanı duyurulan pump-and-dump şemalarına odaklanır. Diğer manipülasyon türleri için farklı modeller gerekebilir.

LightGBM yüksek hız ve iyi recall sunsa da yanlış pozitif üretir. Bu yüzden gerçek kullanımda insan kontrolü, ikinci model doğrulaması veya piyasa verisiyle ek doğrulama gerekir.

LLM tabanlı çıkarım yüksek doğruluk sağlasa da maliyet, API gecikmesi, prompt hassasiyeti ve model değişkenliği gibi faktörlere duyarlıdır.

Yaklaşık %11 oranında görsel içeren pump duyurusu bulunduğu için yalnızca metin tabanlı sistemler bazı olayları kaçırabilir. Gelecekte görsel ve metni birlikte analiz eden multimodal sistemler gerekebilir.

Sonuç

Bu akademik çalışma, Telegram tabanlı kripto pump-and-dump şemalarının mesaj düzeyinde ve gerçek zamanlıya yakın biçimde tespit edilebileceğini gösteriyor. PumpSense veri seti, 283.017 mesaj ve 2.246 manuel etiketli pump duyurusuyla bu alanda önemli bir benchmark sunuyor.

Sonuçlar, hafif bir LightGBM modelinin pump başlangıç duyurularını mikrosaniye düzeyinde tarayabileceğini; BGE-M3 gibi daha ağır modellerin biraz daha yüksek F1 sağlasa da ölçekli kullanımda daha maliyetli olduğunu gösteriyor. Hedef coin ve borsa çıkarımında ise LLM’ler açık biçimde daha başarılıdır.

En mantıklı pratik mimari, iki aşamalı bir gözetim hattıdır: Önce hızlı ve ucuz bir modelle Telegram trafiği taranır; sonra yalnızca şüpheli pencerelerde LLM ile hedef coin ve borsa çıkarılır. Bu yöntem, manipülasyon intentini fiyat hareketinden önce yakalamaya yardımcı olabilir.

Verianla açısından çalışmanın ana mesajı nettir: Kripto piyasalarında piyasa manipülasyonunu anlamak için yalnızca grafiklere bakmak yetmez. Manipülasyonun izleri çoğu zaman önce sosyal medya koordinasyonunda başlar.

Kaynak ve Yöntem Notu

Bu içerik, PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram başlıklı akademik PDF incelenerek hazırlanmıştır. Metin birebir çeviri değildir. Çalışmanın amacı, veri seti, yöntemleri, temel formülleri, tespit ve çıkarım sonuçları, grafik/tablo mesajları ve sınırlılıkları Verianla okurları için sadeleştirilmiş, özgün ve editoryal Türkçe ile yeniden anlatılmıştır.

Güvenlik ve etik nedenlerle yazıda manipülasyon gruplarının işleyişini kolaylaştırabilecek ayrıntılı operasyonel yönergeler verilmemiştir. Formüller, çalışmadaki sınıflandırma ve değerlendirme mantığını MathJax uyumlu şekilde açıklamak için hazırlanmıştır.