Ushbu maqola kriptovalyuta bozorlarida Telegram guruhlari orqali muvofiqlashtirilgan pump-and-dump manipulyatsiyalarini real vaqt rejimida aniqlashga urinuvchi akademik tadqiqot asosida tayyorlangan. Ko‘rib chiqilgan tadqiqot PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram nomini olgan.

Tadqiqotning asosiy mavzusi kripto bozorlarida ijtimoiy tarmoqlar orqali tashkil etiladigan bozor manipulyatsiyasidir. Pump-and-dump sxemalarida bir guruh tashkilotchi ma’lum vaqtda likvidligi past kripto aktivni sotib olishni rag‘batlantiradi. Maqsadli coin e’lon qilinganda ishtirokchilar tezda xarid qilishga urinadi; biroq ko‘pincha eng qulay pozitsiyani tashkilotchilar va juda erta kirgan shaxslar egallaydi. Kech qolgan individual investorlar esa narx pasayishi sabab zarar ko‘rishi mumkin.

Ushbu tadqiqot manipulyatsiyani faqat narx va hajm anomaliyalari boshlanganidan keyin aniqlashga urinmaydi. Buning o‘rniga u bevosita koordinatsiya xabarlarini tahlil qiladi. Ya’ni narx harakati yuzaga kelgandan keyin emas, pump e’loni berilgan zahoti ogohlantirish hosil qilishni maqsad qiladi.

Ushbu material investitsiya tavsiyasi emas. Maqola kripto bozorlarida firibgarlikni aniqlash, ijtimoiy tarmoqlardan kelib chiqadigan manipulyatsiya, tabiiy tilni qayta ishlash va bozor nazorati nuqtai nazaridan axborot beruvchi tahririy materialdir. Pump-and-dump guruhlarida qatnashish, manipulyatsiya maqsadida savdo qilish, muvofiqlashtirilgan oldi-sotdi yoki bozorni yo‘naltirish xatti-harakatlari huquqiy va moliyaviy risklarni keltirib chiqarishi mumkin.

Yangi akademik tadqiqot Telegram orqali tashkil etilgan kripto pump-and-dump sxemalarini xabar darajasida aniqlash uchun PumpSense nomli ma’lumotlar to‘plami va benchmarkni taqdim etadi. Tadqiqotchilar 39 ta public Telegram guruhidan 283.017 ta xabar to‘plab, 2.246 ta pump boshlanish e’lonini qo‘lda belgilagan. LightGBM modeli F1=0.79 va har bir namuna uchun taxminan 9.4 mikrosoniya kechikish bilan ishlagan, BGE-M3 modeli esa F1=0.83, biroq 50 millisoniya kechikish bilan ishlagan. Maqsadli coin va birjani ajratib olishda oddiy qoidaga asoslangan usullar yetarli bo‘lmay qolgan, LLM asosidagi modellar esa 0.91 gacha joint accuracy bera olgan. Tadqiqotning asosiy xabari shuki: yengil modellar dastlabki aniqlash uchun, katta til modellari esa faqat shubhali xabarlarda batafsil ajratib olish uchun mosroq bo‘lishi mumkin.

Muammo nima?

Kriptovalyuta bozorlarida pump-and-dump sxemalari, ayniqsa likvidligi past altcoinlarda bozor yaxlitligi uchun jiddiy muammo tug‘diradi. Bunday sxemalarda tashkilotchilar odatda vaqtni oldindan e’lon qiladi, ammo maqsadli coinni darhol oshkor qilmaydi. Belgilangan paytda maqsadli coin va birja ma’lum qilinadi. Ishtirokchilar bir vaqtda xarid qilishga urinadi; narx qisqa muddatga ko‘tariladi va tashkilotchilar odatda qo‘lidagi aktivlarni shu ko‘tarilish vaqtida sotadi.

Bunday sxemalar an’anaviy moliyaviy bozorlarda og‘ir sanksiyalarga sabab bo‘lishi mumkin bo‘lgan bozor manipulyatsiyasi xatti-harakatlaridir. Kripto bozorlarida esa birjalar tuzilmasining bo‘linib ketgani, likvidligi past tokenlarni oson listing qilish, anonim/pseudonymous ijtimoiy media guruhlari va tartibga solishdagi bo‘shliqlar bunday xatti-harakatlarni ko‘proq ko‘rinadigan qilgan.

Mavjud pump aniqlash tadqiqotlarining muhim qismi narx, hajm yoki tranzaksiya anomaliyalariga qaraydi. Bu usullar foydali bo‘lsa-da, ko‘pincha pump boshlanganidan keyin signal beradi. O‘sha paytga kelib narx harakati allaqachon yuz bergan bo‘lishi mumkin.

Ushbu tadqiqotning asosiy savoli quyidagicha: manipulyatsiya e’loni to‘g‘ridan-to‘g‘ri Telegram xabarlarida ushlanishi mumkinmi? Agar mumkin bo‘lsa, maqsadli coin va maqsadli birja ma’lumotini ham avtomatik ajratib olish mumkinmi?

Usul nimani taklif qiladi?

Tadqiqot ikki asosiy vazifani ta’riflaydi.

Birinchi vazifa: Telegram xabarlari oynasi pump boshlanish e’lonini o‘z ichiga oladimi-yo‘qmi, tasniflash.

Ikkinchi vazifa: Pump e’loni sifatida belgilangan oynadan maqsadli kriptovalyuta va maqsadli birjani ajratib olish.

Tadqiqotchilar 39 ta public Telegram guruhidan 283.017 ta xabar to‘plab, barcha xabarlarni qo‘lda ko‘rib chiqib 2.246 ta pump boshlanish e’lonini aniqlagan. Ushbu e’lonlarda maqsadli kriptovalyuta va birja ham qo‘lda belgilangan. Bundan tashqari, bekor qilingan 140 ta pump hodisasi ham alohida belgilangan.

Model tomonida ikki bosqichli yondashuv ajralib turadi. Birinchi bosqichda tez va yengil aniqlash modeli ishlatiladi. Shu maqsadda TF-IDF xususiyatlari ustida ishlaydigan LightGBM modeli sinovdan o‘tkazilgan. Shuningdek, undan og‘irroq transformer encoder bo‘lgan BGE-M3 bilan taqqoslash bajarilgan.

Ikkinchi bosqichda esa faqat pump sifatida belgilangan oz sonli oynalarda qimmatroq, ammo kontekstni yaxshiroq tushunadigan modellar ishlatiladi. Maqsadli coin va birjani ajratib olishda qoidaga asoslangan usul, Longformer Encoder-Decoder va turli LLM modellar taqqoslangan.

Bu yondashuvning amaliy mantiqi shuki: butun Telegram trafigini qimmat katta til modelidan o‘tkazish o‘rniga, avval juda tez model yordamida shubhali oynalar filtrlab olinadi. Keyin faqat shu kichik quyi to‘plamda LLM yordamida batafsil ma’lumot ajratib olinadi.

Formulalar nimani anglatadi?

Ushbu PDF intensiv matematik modellashtirishga asoslangan tadqiqot emas. Formulalar ko‘proq ma’lumot oynasini tuzish, tasniflash yorlig‘i, samaradorlikni o‘lchash va ajratib olish aniqligini tushuntirish uchun qo‘llanadi. Quyidagi ko‘rsatmalar tadqiqot usulini MathJax bilan mos shaklda soddalashtiradi.

1. Telegram xabarlar ketma-ketligi

Har bir Telegram guruhidagi xabarlar xronologik tartibda olinadi:

Bu yerda \(m_i\) tegishli guruhdagi \(i\)-raqamli xabarni ifodalaydi. Model bitta xabarni ajratilgan holda emas, uning atrofidagi kontekst bilan birga baholaydi.

2. 11 xabarlik oyna

Har bir markaziy xabar uchun undan oldingi 5 ta va keyingi 5 ta xabarni o‘z ichiga olgan oyna yaratiladi:

Bu tuzilma pump e’loni bitta xabarda emas, qisqa suhbat oqimi ichida paydo bo‘lishi mumkinligini qabul qiladi. Masalan, avval teskari sanoq, keyin maqsadli coin, so‘ng yo‘naltiruvchi xabar kelishi mumkin. Oyna yondashuvi shu kontekstni ushlashga urinadi.

3. Tasniflash yorlig‘i

Har bir oyna uchun ikkilik yorliq ishlatiladi:

Bu yerda \(y_i=1\) oyna birinchi ochiq pump boshlanish e’lonini o‘z ichiga olishini anglatadi. \(y_i=0\) esa oyna pump boshlanish e’lonini o‘z ichiga olmasligini ko‘rsatadi.

4. Vaqt bo‘yicha o‘qitish, validatsiya va testga ajratish

Tadqiqotda tasodifiy ajratish o‘rniga vaqt bo‘yicha tartiblangan ajratish ishlatiladi:

Bu tanlov muhim. Chunki xabar oynalari bir-biriga juda o‘xshash va yonma-yon oynalar 10 tagacha umumiy xabarni o‘z ichiga olishi mumkin. Tasodifiy ajratish qilinsa, bir xil xabar ham o‘qitish, ham test tomoniga sizib kirishi mumkin. Vaqt bo‘yicha ajratish real dunyodagi “o‘tmishdan o‘rgan, kelajakni aniqlagin” ssenariysiga mosroq.

5. Precision

Pump sinfi uchun precision model pump deb belgilagan oynalarning qanchasi haqiqatan ham pump ekanini ko‘rsatadi:

Bu yerda \(TP\) to‘g‘ri pump aniqlashlarni, \(FP\) esa noto‘g‘ri ogohlantirish berilgan oynalarni ifodalaydi.

6. Recall

Recall haqiqiy pump e’lonlarining qanchasi ushlanganini ko‘rsatadi:

Ushbu tadqiqotda recall ayniqsa muhim. Chunki haqiqiy pump e’lonini o‘tkazib yuborish mudofaa tizimining ogohlantirish imkonini yo‘qotishini anglatadi.

7. F1 skori

F1 skori precision va recall qiymatlarini bitta o‘lchovda birlashtiradi:

Ma’lumotlar to‘plamida pump xabarlari umumiy trafikning %1’idan kam bo‘lgani sabab faqat umumiy accuracy chalg‘ituvchi bo‘lishi mumkin. Shu sababli pump sinfi uchun F1, precision va recall mazmunliroq.

8. Muvozanatlangan aniqlik

Muvozanatsiz ma’lumotlar to‘plamida balanced accuracy ishlatilishi mumkin:

Bu o‘lchov ko‘pchilik sinf bo‘lgan non-pump xabarlarning umumiy accuracy qiymatini sun’iy ravishda oshirib yuborishiga yo‘l qo‘ymaydi.

9. Maqsadli ajratib olish aniqligi

Maqsadli coin yoki birjani ajratib olishda aniqlik quyidagicha hisoblanadi:

Ushbu tadqiqotda bu o‘lchov kriptovalyuta aniqligi, birja aniqligi va ikkalasi bir vaqtda to‘g‘ri bo‘lgan joint accuracy uchun alohida-alohida berilgan.

10. Qo‘shma aniqlik

Maqsadli coin va birja bir vaqtda to‘g‘ri ajratib olinganda joint accuracy olinadi:

Bu o‘lchov qat’iyroq. Chunki faqat coinni yoki faqat birjani bilish yetarli emas; ikkalasi ham birgalikda to‘g‘ri bo‘lishi kerak.

Grafik, jadval va sxemaning asosiy xabari

I-jadval, oldingi tadqiqotlar bilan PumpSense o‘rtasidagi farqni ko‘rsatadi. Oldingi tadqiqotlarning ayrimlari hodisa vaqtlarini yoki maqsadli coinlarni ulashgan bo‘lsa ham, xabar darajasida qo‘lda yorliqlangan va public ma’lumotlar to‘plamini taqdim etmagan. Ushbu tadqiqot esa 283.017 ta xabar, 2.246 ta pump e’loni, qo‘lda coin/birja yorlig‘i va model benchmarkini taqdim etib, shu bo‘shliqni to‘ldiradi.

1-rasm, Telegram pump e’loni misoli bilan uning maqsadli coin narxida keltirib chiqargan keskin harakatini yonma-yon ko‘rsatadi. Bu tasvirning asosiy xabari shuki: ijtimoiy tarmoq koordinatsiya xabari bilan bozor narxi reaksiyasi o‘rtasida juda qisqa muddatli va kuchli bog‘liqlik bo‘lishi mumkin. Shu sababli xabarga asoslangan erta aniqlash faqat bozor ma’lumotiga tayanadigan kech aniqlashni to‘ldirishi mumkin.

II-jadval, ma’lumotlar to‘plamining umumiy tuzilmasini umumlashtiradi. Jami 283.017 ta xabar, 2.246 ta pump e’loni, bekor qilingan 140 ta pump hodisasi, 604 ta turli maqsadli coin va 14 ta maqsadli birja mavjud. Pump e’lonlarining taxminan %11’i tasvirli kontentni ham o‘z ichiga oladi. Bundan tashqari, e’lonlarning taxminan %70’i 15:00–17:00 UTC oralig‘ida, taxminan %40’i esa dam olish kunlarida berilgan.

III-jadval, pump boshlanishini aniqlash samaradorligini ko‘rsatadi. LightGBM modeli F1=0.79, precision=0.71, recall=0.88 va har bir namuna uchun taxminan 9.4 mikrosoniya kechikish beradi. BGE-M3 modeli F1=0.83, precision=0.89, recall=0.78 va 50 millisoniya kechikish beradi. Bu natija og‘irroq model F1 bo‘yicha biroz yaxshiroq ekanini, ammo LightGBM tezlik va recall jihatidan birinchi chiziq aniqlash tizimi uchun amaliyroq ekanini ko‘rsatadi.

2-rasm, LightGBM va BGE-M3 uchun confusion matrix natijalarini ko‘rsatadi. LightGBM ko‘proq haqiqiy pump e’lonini ushlaydi, ammo ko‘proq noto‘g‘ri signal beradi. BGE-M3 ehtiyotkorroq ishlaydi, kamroq noto‘g‘ri signal beradi, biroq ayrim pump e’lonlarini o‘tkazib yuboradi. Xavfsizlik nazorati nuqtai nazaridan qaysi muvozanat tanlanishi foydalanish maqsadiga bog‘liq.

V-jadval, maqsadli coin va birjani ajratib olish bo‘yicha eng muhim natijani beradi. Qoidaga asoslangan usul maqsadli coinni ajratishda muvaffaqiyatsiz bo‘lsa, birjani ajratishda cheklangan muvaffaqiyat ko‘rsatadi. Longformer o‘rta darajadagi natija beradi. LLM asosidagi modellar esa ancha kuchli: Gemini uchun coin accuracy 0.95, birja accuracy 0.93 va joint accuracy 0.91 deb xabar qilingan. GPT esa coin accuracy bo‘yicha 0.96 ga yetadi va joint accuracy 0.90 darajasida.

Tajribalar qanday o‘tkazilgan?

Tadqiqotchilar pump-and-dump tashkil qilishi ma’lum bo‘lgan 39 ta public Telegram guruhidan xabarlar to‘plagan. Har bir xabar matn va vaqt tamg‘asi bilan birga olingan. Jami 283.017 xabardan iborat korpus hosil qilingan.

Xabarlar qo‘lda ko‘rib chiqilgan va birinchi ochiq pump boshlanish e’lonini o‘z ichiga olgan oynalar yorliqlangan. Agar e’lon maqsadli coin yoki birja ma’lumotini to‘g‘ridan-to‘g‘ri bermagan bo‘lsa, atrofdagi xabarlar ko‘rib chiqilib, yetishmayotgan ma’lumot to‘ldirilgan. Natijada 2.246 ta pump e’loni maqsadli kriptovalyuta va maqsadli birja ma’lumoti bilan birga yorliqlangan.

Yorliqlash ishonchliligi uchun ikkinchi annotator 5.000 oynadan iborat muvozanatlangan namunani qayta yorliqlagan. Cohen’s \(\kappa=0.96\) topilgan. Bu qiymat ikki yorliqlovchi o‘rtasida deyarli mukammal moslik borligini ko‘rsatadi.

Aniqlash vazifasi uchun ikkita model sinovdan o‘tkazilgan. LightGBM TF-IDF unigram va bigram xususiyatlari ustida ishlaydi. BGE-M3 esa transformer asosidagi og‘irroq matn modelidir. Ma’lumotlar juda muvozanatsiz bo‘lgani sabab class weight ishlatilgan va pump sinfi uchun F1, precision, recall kabi metrikalar berilgan.

Maqsadni ajratib olish vazifasi uchun to‘rtta yondashuv taqqoslangan: qoidaga asoslangan lug‘at/regex yondashuvi, Longformer Encoder-Decoder, DeepSeek, Gemini va GPT asosidagi LLM extraction. Barcha modellar bir xil test to‘plamidagi 420 ta pump oynasida baholangan.

Natijalar nimani ko‘rsatadi?

Tadqiqotning birinchi natijasi xabarga asoslangan pump aniqlash real vaqtga yaqin tarzda bajarilishi mumkinligidir. LightGBM kabi yengil model mikrosoniya darajasida ishlash orqali katta Telegram trafigini past xarajat bilan skanerlashi mumkin. Bozor ma’lumotlariga asoslangan tizimlar ko‘pincha pump boshlanganidan keyin ogohlantirish berishini hisobga olsak, bu muhim ustunlikdir.

Ikkinchi natija eng yuqori F1 har doim eng amaliy model degani emasligidir. BGE-M3 LightGBMga qaraganda biroz yuqori F1 beradi, ammo ancha sekin. Nazorat tizimlarida tezlik, xarajat va masshtablanuvchanlik muhim bo‘lgani uchun LightGBM birinchi chiziq filtri sifatida mosroq ko‘rinadi.

Uchinchi natija maqsadli coinni ajratishda oddiy qoidaga asoslangan usullar jiddiy darajada yetarli emasligidir. Ayrim kripto tickerlari kundalik tildagi so‘zlar bilan ustma-ust kelishi mumkin. Shu sababli faqat lug‘at yoki regex yordamida maqsadli coinni topish chalg‘ituvchi natijalar berishi mumkin.

To‘rtinchi natija LLM modellari maqsadli coin va birjani ajratishda kuchli samaradorlik ko‘rsatishidir. Biroq LLMlarni butun Telegram trafigiga qo‘llash qimmat va sekin bo‘lishi mumkin. Shu sababli tadqiqot taklif qilgan bosqichli arxitektura mantiqiyroq: avval tez model bilan shubhali oynalarni tanla, keyin faqat shu kichik qismda LLM yordamida batafsil ajratib ol.

Beshinchi natija pump e’lonlari vaqt va guruh taqsimotida jamlanish ko‘rsatishidir. E’lonlarning katta qismi ma’lum soat oralig‘ida yuz beradi va eng ta’sirli 10 ta guruh hodisalarning taxminan %70’iga javobgar. Bu nazorat tizimlarida resurslarga ustuvorlik berish mumkinligini ko‘rsatadi.

Bu nega muhim?

Kripto pump-and-dump sxemalari individual investorlar uchun jiddiy risk tug‘diradi. Narx juda tez ko‘tarilib-tushishi mumkin va kech qolgan ishtirokchilar ko‘pincha zarar ko‘radi. Bunday tuzilmalar bozor yaxlitligiga putur yetkazadi va ishonchli kripto ekotizim shakllanishini qiyinlashtiradi.

Ushbu tadqiqot manipulyatsiyani faqat narx grafigida emas, ijtimoiy tarmoqlardagi koordinatsiyada ham kuzatish mumkinligini ko‘rsatadi. Agar pump e’loni xabar darajasida ushlansa, birjalar, platformalar, tadqiqotchilar va regulyatorlar bozor harakati boshlanishidan oldin yoki juda erta bosqichda ogohlantirish ishlab chiqishi mumkin.

Tadqiqotning amaliy qiymati yengil model bilan LLMni birlashtirishda. LightGBM kabi tez modellar katta trafikni filtrlaydi. LLMlar esa faqat kichik va xavfli quyi to‘plamda kontekstual ajratib olishni bajaradi. Bu tuzilma ham xarajatni kamaytiradi, ham maqsadli coin/birja ma’lumotini aniqroq ajratishi mumkin.

Verianla nuqtai nazaridan ushbu maqolaning asosiy xabari shunday: kripto bozorlarida manipulyatsiyaga qarshi kurash faqat blockchain ma’lumoti yoki narx-hajm kuzatuvi bilan cheklanmasligi kerak. Ijtimoiy tarmoqlardagi koordinatsiya xabarlari ham erta ogohlantirish tizimlarining muhim qismi bo‘lishi mumkin.

E’tibor beriladigan jihatlar

Ushbu tadqiqot investitsiya tavsiyasi emas. Pump-and-dump guruhlarida qatnashishni, manipulyatsiya maqsadida savdo qilishni yoki muvofiqlashtirilgan oldi-sotdini rag‘batlantirmaydi.

Tadqiqot ma’lum public Telegram guruhlariga asoslanadi. Private guruhlar, Discord, X/Twitter yoki boshqa platformalardagi manipulyatsiya tuzilmalari turli til va tashkiliy usullardan foydalanishi mumkin.

Model pre-announced, ya’ni vaqti oldindan e’lon qilingan pump-and-dump sxemalariga e’tibor qaratadi. Boshqa manipulyatsiya turlari uchun boshqa modellar kerak bo‘lishi mumkin.

LightGBM yuqori tezlik va yaxshi recall bersa-da, false positive holatlar hosil qiladi. Shu sababli real foydalanishda inson nazorati, ikkinchi model bilan tekshirish yoki bozor ma’lumoti bilan qo‘shimcha tasdiqlash talab etiladi.

LLM asosidagi extraction yuqori aniqlik bersa-da, xarajat, API kechikishi, prompt sezgirligi va model o‘zgaruvchanligi kabi omillarga sezgir.

Pump e’lonlarining taxminan %11’ida tasvirli kontent bo‘lgani sabab faqat matnga asoslangan tizimlar ayrim hodisalarni o‘tkazib yuborishi mumkin. Kelajakda tasvir va matnni birga tahlil qiladigan multimodal tizimlar zarur bo‘lishi mumkin.

Xulosa

Ushbu akademik tadqiqot Telegram asosidagi kripto pump-and-dump sxemalarini xabar darajasida va real vaqtga yaqin tarzda aniqlash mumkinligini ko‘rsatadi. PumpSense ma’lumotlar to‘plami 283.017 ta xabar va 2.246 ta qo‘lda yorliqlangan pump e’loni bilan bu sohada muhim benchmark taqdim etadi.

Natijalar yengil LightGBM modeli pump boshlanish e’lonlarini mikrosoniya darajasida skanerlashi mumkinligini, BGE-M3 kabi og‘irroq modellar biroz yuqori F1 bersa ham masshtabli foydalanishda qimmatroq ekanini ko‘rsatadi. Maqsadli coin va birjani ajratishda esa LLMlar aniq ravishda muvaffaqiyatliroq.

Eng mantiqli amaliy arxitektura ikki bosqichli nazorat liniyasidir: avval tez va arzon model bilan Telegram trafigi skanerlanadi; keyin faqat shubhali oynalarda LLM bilan maqsadli coin va birja ajratib olinadi. Bu usul manipulyatsiya niyatini narx harakatidan oldin ushlashga yordam berishi mumkin.

Verianla nuqtai nazaridan tadqiqotning asosiy xabari aniq: kripto bozorlarida bozor manipulyatsiyasini tushunish uchun faqat grafiklarni ko‘rish yetarli emas. Manipulyatsiyaning izlari ko‘pincha avval ijtimoiy tarmoqlardagi koordinatsiyada paydo bo‘ladi.

Manba va usul bo‘yicha izoh

Ushbu material PumpSense: Real-Time Detection and Target Extraction of Crypto Pump-and-Dumps on Telegram nomli akademik PDF ko‘rib chiqilib tayyorlangan. Matn so‘zma-so‘z tarjima emas. Tadqiqotning maqsadi, ma’lumotlar to‘plami, usullari, asosiy formulalari, aniqlash va extraction natijalari, grafik/jadval xabarlari hamda cheklovlari Verianla o‘quvchilari uchun soddalashtirilgan, original va tahririy o‘zbek tilida qayta bayon qilingan.

Xavfsizlik va etika sababli maqolada manipulyatsiya guruhlarining ishlashini osonlashtirishi mumkin bo‘lgan batafsil operatsion ko‘rsatmalar berilmagan. Formulalar tadqiqotdagi tasniflash va baholash mantiqini MathJax bilan mos tarzda tushuntirish uchun tayyorlangan.