Kriptovalyuta loyihalari o‘z maqsadlari, texnik arxitekturasi, foydalanish sohalari va hal etishni ko‘zlagan muammolarini ko‘pincha whitepaper deb ataladigan asosiy hujjatlarda bayon qiladi. Biroq loyihaning whitepaperida o‘zini, masalan, to‘lov vositasi, markazlashmagan moliya infratuzilmasi, maxfiylik tizimi, ma’lumot saqlash tarmog‘i yoki masshtablanuvchi blokcheyn sifatida ta’riflashi, ushbu loyiha tokeni moliya bozorida ham ayni funksional sinfga mos xatti-harakat ko‘rsatishini anglatadimi?

Murad Farzulla’ning “Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis” nomli tadqiqotining asosiy savoli shu. Tadqiqot 38 kriptovalyuta loyihasiga tegishli texnik hujjatlarni tabiiy tilni qayta ishlash usullari yordamida 10 ta funksional toifaga ajratadi; shu bilan birga Binance’dan olingan 49 ta kriptoaktivning 2023–2024 davridagi soatlik OHLCV ma’lumotlarini tenzor parchalanishi va moliyaviy yig‘ma statistika yordamida tahlil qiladi.

Bu yerdagi “predict” so‘zi kelajakdagi narxni bashorat qilish ma’nosida ishlatilmagan. Tadqiqot whitepaperlardagi bayonlar kelajakda narx ko‘tarilishi yoki pasayishini oldindan ayta oladimi-yo‘qmi, buni tekshirmaydi. O‘rganilayotgan savol — loyihalarning o‘zlari haqida aytganlari bilan bozorda kuzatilgan tuzilmaviy xususiyatlar ayni aktivlar orasida o‘xshash naqsh hosil qiladimi-yo‘qmi. Boshqacha aytganda, tadqiqot tuzilmaviy moslikni o‘rganadi.

Yuklangan v4 versiyasida 38 ta whitepaper mavjud. Bozor ma’lumotlari to‘plami esa 49 ta aktivdan iborat. Whitepaper va yetarli bozor ma’lumotlari birgalikda mavjud bo‘lgan 37 ta aktiv asosiy bayon–bozor taqqoslashida ishlatilgan. Bozor ma’lumotlari 1 Yanvar 2023–31 Dekabr 2024 davrini va har bir aktiv uchun 17.543 ta soatlik vaqt nuqtasini qamrab oladi.

Whitepaper mazmunlari BART-large-MNLI modeli yordamida nol misolli tasniflash (zero-shot classification) usuli bilan 10 toifaga ajratilgan: qiymatni saqlash, ayirboshlash vositasi, aqlli shartnomalar, markazlashmagan moliya, boshqaruv, masshtablanuvchanlik, maxfiylik, o‘zaro ishlash qobiliyati, ma’lumotlarni saqlash va oracle xizmatlari.

Bozor tomonida ikkita alohida ifoda yaratildi. Birinchi ifoda har bir aktiv uchun hisoblangan yettita moliyaviy yig‘ma o‘lchovdan iborat: o‘rtacha daromad, volatillik, Sharpe nisbati, maksimal pasayish, o‘rtacha savdo hajmi, volatillikning volatilligi va narx trendi. Ikkinchi ifoda esa soat × aktiv × OHLCV xususiyatlaridan tuzilgan yuqori o‘lchamli bozor tenzorining CP parchalanishi orqali olingan yashirin omillardir.

CP parchalanishida ikki omil bozor tenzoridagi variansning %92,45 qismini izohlagan. So‘ng tadqiqot whitepaper da’volaridan tuzilgan ifoda makoni bilan bozor statistikasi va yashirin omillardan tuzilgan makonlarni Orthogonal Procrustes o‘zgartirishi orqali moslashtirgan va o‘xshashlikni Tucker muvofiqlik koeffitsienti (Tucker's congruence coefficient, φ) bilan o‘lchagan.

Yuklangan v4 versiyasining asosiy natijalarida whitepaper da’volari bilan bozor statistikasi o‘rtasidagi muvofiqlik:

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

whitepaper da’volari bilan CP yashirin omillari o‘rtasidagi muvofiqlik esa:

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

deb topilgan. Har ikki qiymat ham tadqiqotda ishlatilgan talqin shkalasiga ko‘ra zaif muvofiqlik sinfiga kiradi va permutatsiya testida statistik ahamiyatlilikka erishmagan.

Bunga qarshi ravishda, ayni bozor ma’lumotidan hosil qilingan bozor statistikasi bilan tenzor omillari o‘rtasidagi taqqoslash:

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

natijasini bergan. Muvofiqlik kattaligi yana zaif bo‘lsa-da, tasodifga nisbatan statistik jihatdan ahamiyatlidir. Muallif bu natijani ishlatilgan moslashtirish usuli haqiqiy matematik tuzilma mavjud bo‘lganda uni aniqlay olishini ko‘rsatuvchi ijobiy nazorat sifatida baholaydi.

Biroq tadqiqotning statistik quvvati muhim cheklovdir. 37 ta umumiy aktiv bilan tadqiqot taxminan \(\phi\geq0.70\) darajasidagi kuchli moslikni yuqori quvvat bilan aniqlay oladi; aksincha, \(\phi\approx0.30\) darajasidagi zaif munosabat haqiqatan mavjud yoki yo‘qligini ishonchli ajrata olmaydi. Shu sababli tadqiqot natijasi “whitepaper bayonlari bilan bozor o‘rtasida mutlaqo hech qanday munosabat yo‘q” degani emas. Qo‘llab-quvvatlanadigan ehtiyotkorroq xulosa shuki, kuchli tuzilmaviy moslik topilmagan va mavjud namuna bilan zaif moslik hamda nol moslikni qat’iy ajratib bo‘lmaydi.

Yuklangan v4, shuningdek, XMR, CRV, YFI va SOL kabi nisbatan maxsus foydalanish sohasiga ega ayrim tokenlar whitepaper da’volari bilan bozor xatti-harakati o‘rtasidagi moslikka ko‘proq hissa qo‘shganini qayd etgan. Ammo bu natija keyingi arXiv versiyalarida qaytarib olingan. Joriy versiyada muallif avvalgi whitepaper korpusida noto‘g‘ri hujjatlar va muvaffaqiyatsiz yuklab olish mazmunlari bo‘lganini hamda bu entity-level reyting tozalangan korpusda saqlanib qolmaganini bildiradi. Shuning uchun ushbu token asosidagi reytingdan joriy ilmiy natija sifatida foydalanilmasligi kerak.

Tadqiqotning mustahkamroq qolgan asosiy xabari — whitepaperlardagi funksional bayonlar 2023–2024 davridagi bozor riski, likvidlik va omil tuzilmasi bilan kuchli tuzilmaviy moslik ko‘rsatmaganidir. Tenzor omillari ko‘proq volatillik, maksimal pasayish, Sharpe nisbati va hajm kabi ro‘yobga chiqqan bozor xususiyatlari bilan bog‘liq ko‘rinadi.

Turkiya nuqtayi nazaridan tadqiqot kriptoaktivlarni baholashda faqat whitepaperdagi va’dalar yoki loyiha toifasi moliyaviy xatti-harakatni tushuntirish uchun yetarli bo‘lmasligi mumkinligini ko‘rsatishi bilan muhim. Biroq bu natija whitepaper tahlili texnologiya, boshqaruv yoki loyiha maqsadi jihatidan qadrsiz degani emas. Tadqiqot faqat funksional bayonlarning bozor omillari tuzilmasi bilan tuzilmaviy mosligini tekshiradi va investitsiya daromadini bashorat qilmaydi.

Kriptovalyuta Whitepaperi Bozor Xatti-Harakatini Haqiqatan “Bashorat” Qila Oladimi?

Ushbu tadqiqotdagi asosiy tushunchani anglash uchun avvalo “bashorat” so‘zi qanday ma’noda ishlatilganini ajratish kerak. Tadqiqotchi kelajakda Bitcoin, Ethereum yoki boshqa token narxi qanday bo‘lishini bashorat qilishga urinmaydi.

Tadqiqotning asosiy savoli quyidagicha:

Whitepaperlarida o‘xshash funksiyalar va foydalanish maqsadlarini bayon qilgan loyihalar moliyaviy bozorlarda ham o‘xshash tuzilmaviy xususiyatlarni ko‘rsatadimi?

Masalan, ikki loyiha o‘zini asosan maxfiylik texnologiyasi sifatida ta’riflasa, ushbu ikki aktivning volatillik, savdo hajmi, maksimal pasayish yoki yashirin bozor omillaridagi o‘rinlari ham o‘xshash bo‘lishini kutish mumkinmi?

Shu sababli tadqiqotda “predict” vaqt o‘qi bo‘yicha kelajakni bashorat qilishdan ko‘ra tuzilmaviy muvofiqlik yoki tuzilmaviy moslik ma’nosidadir.

Whitepaper nima?

Kriptovalyuta kontekstida whitepaper — loyihaning texnik tuzilishi, maqsadlari, iqtisodiy modeli, foydalanish ssenariylari yoki protokol dizaynini tushuntiradigan asosiy hujjat.

Biroq tadqiqot korpusi faqat “original whitepaper” hujjatlaridan iborat emas. Ayrim loyihalar uchun konsensus hujjatlari, protokol spetsifikatsiyalari, texnik hisobotlar yoki rasmiy texnik hujjatlar ham ishlatilgan.

Bu farq muhim; chunki turli hujjat turlari bir xil bayon zichligi yoki bir xil tarixiy rolga ega bo‘lmasligi mumkin.

Narrativ iqtisodiyot nima?

Narrative economics yoki narrativ iqtisodiyot — iqtisodiy xatti-harakatlarga faqat asosiy ko‘rsatkichlar yoki matematik modellar emas, balki jamiyat ichida tarqaladigan hikoyalar, tushuntirishlar va umumiy e’tiqodlar ham ta’sir qilishi mumkinligini ilgari suradigan tadqiqot sohasi.

Kriptovalyuta ekotizimida “raqamli oltin”, “markazlashmagan moliya”, “Web3 infratuzilmasi”, “maxfiylik puli” yoki “Ethereum qotili” kabi narrativlar investorlarning loyihalarni qabul qilish usuliga ta’sir qilishi mumkin.

Ushbu maqola bu narrativlarning investor kayfiyatiga to‘g‘ridan-to‘g‘ri ta’sirini o‘lchamaydi; loyihalarning rasmiy ta’sis hujjatlaridagi funksional bayonlar bilan ro‘yobga chiqqan bozor xususiyatlari orasida tuzilmaviy o‘xshashlik izlaydi.

Tadqiqotda Qanday Ma’lumotlar Ishlatildi?

Bozor ma’lumotlari Binance API orqali CCXT kutubxonasidan foydalanib olingan.

OHLCV nima?

OHLCV moliya bozori ma’lumotlarida keng qo‘llanadigan beshta asosiy kuzatuvni bildiradi:

• Open: vaqt oralig‘ining ochilish narxi,
• High: vaqt oralig‘idagi eng yuqori narx,
• Low: vaqt oralig‘idagi eng past narx,
• Close: vaqt oralig‘ining yopilish narxi,
• Volume: savdo hajmi.

Ushbu tadqiqotda har bir aktiv uchun mazkur beshta xususiyat soatlik ravishda kuzatilgan.

Nega z-normalizatsiya qo‘llanadi?

OHLCV xususiyatlarining kattaliklari bir-biridan juda farq qilishi mumkin. Masalan, Bitcoin narx darajasi boshqa tokenning narxi yoki hajm qiymatlari bilan bir xil masshtabga ega emas.

Z-skor normalizatsiyasining standart shakli:

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

ko‘rinishidadir.

Bu yerda \(x\) kuzatilgan qiymat, \(\mu\) o‘rtacha qiymat va \(\sigma\) standart og‘ishdir.

Tadqiqot har bir OHLCV xususiyat kesimini aktivlar va vaqt bo‘ylab normallashtirib, xususiyatlar o‘rtachasini nolga, standart og‘ishini esa birga yaqinlashtiradi. Maqsad faqat katta sonli masshtabga ega xususiyatlar tenzor parchalanishida ustunlik qilib ketishining oldini olishdir.

Tenzor Nima va Nega Ishlatiladi?

Tenzor matritsa tushunchasining ko‘proq o‘lchamlarga kengaytirilgan shaklidir.

Vektorni bir o‘lchamli, matritsani ikki o‘lchamli ma’lumot tuzilmasi deb tasavvur qilish mumkin. Tenzor esa uch yoki undan ortiq o‘lchamni bir tuzilma ichida saqlay oladi.

Tadqiqot dastlab bozor ma’lumotini:

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

ko‘rinishida belgilaydi.

Bu yerda:

• \(T\): vaqt,
• \(V\): savdo platformasi / venue,
• \(A\): kriptoaktiv,
• \(F\): bozor xususiyati.

Tadqiqotda faqat Binance ishlatilgani uchun:

\[ V=1 \]

bo‘ladi va amaldagi tuzilma:

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

ko‘rinishida uch o‘lchamga qisqaradi.

Ushbu tuzilma vaqt, aktivlar va OHLCV xususiyatlarini bitta ma’lumot obyektida birgalikda saqlaydi.

CP Tenzor Parchalanishi Nima?

CANDECOMP/PARAFAC (CP) decomposition yuqori o‘lchamli tenzorni soddaroq rank-1 komponentlar yig‘indisi sifatida taxminan ifodalaydi.

Manbaning asosiy tenglamasi:

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

ko‘rinishidadir.

Bu yerda:

• \(R\): parchalanish ranki,
• \(\lambda_r\): tegishli komponentning og‘irligi,
• \(a_r\): vaqt yo‘nalishidagi omil vektori,
• \(b_r\): aktiv yo‘nalishidagi omil vektori,
• \(c_r\): OHLCV xususiyatlari yo‘nalishidagi omil vektori,
• \(\circ\): outer product, ya’ni tashqi ko‘paytmani bildiradi.

Tashqi ko‘paytma vektorlarni bitta skalyar qiymatga tushirish o‘rniga, ularning kombinatsiyalaridan yuqori o‘lchamli tuzilma hosil qiladi.

Omil matritsalari

CP parchalanishida:

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

vaqt omillarini,

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

aktiv omillarini va:

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

bozor xususiyatlariga tegishli omillarni o‘z ichiga oladi.

Ushbu tadqiqot nuqtayi nazaridan ayniqsa muhim bo‘lgan:

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

matritsasidir; chunki u har bir kriptoaktivning yashirin bozor omillaridagi yuklamasini ko‘rsatadi.

Yashirin omil nimani anglatadi?

Yashirin omil (latent factor) ma’lumot ichida bevosita alohida ustun sifatida kuzatilmaydigan, biroq ko‘plab kuzatuvlar orasidagi umumiy o‘zgarish naqshlaridan matematik tarzda chiqarib olinadigan komponentdir.

Masalan, tadqiqotning keyingi tahlillarida birinchi omil maksimal pasayish, volatillik va Sharpe nisbati bilan; ikkinchi omil esa hajm va hajm volatilligi bilan bog‘liq ekani ko‘rinadi.

Ularga algoritmga oldindan “risk omili” yoki “likvidlik omili” nomi berilmagan. Talqin omil yuklamalari bilan o‘lchangan bozor statistikasi o‘rtasidagi korrelyatsiyalar ko‘rilgandan keyin amalga oshirilgan.

Alternating Least Squares (ALS) Nima Qiladi?

CP omillari bevosita ma’lum bo‘lmagani sabab tadqiqot ularni Alternating Least Squares (ALS) algoritmi yordamida baholaydi.

Asosiy g‘oya omil matritsalaridan ikkitasini vaqtincha o‘zgarmas tutib, uchinchisini eng yaxshi moslik beradigan tarzda yangilash va bu jarayonni navbat bilan takrorlashdir.

Manbada yangilanishlar:

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

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

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

ko‘rinishida beriladi.

Bu yerda:

• \(X_{(n)}\): tenzorning tegishli mod bo‘yicha matritsalashtirilgan ko‘rinishi,
• \(\odot\): Khatri–Rao ko‘paytmasi,
• \(*\): Hadamard, ya’ni elementma-element ko‘paytma,
• \(\dagger\): Moore–Penrose pseudoinverse amali.

Ushbu formulalarning maqsadi tenzorni imkon qadar kichik qayta tiklash xatosi bilan tushuntiradigan omil matritsalarini topishdir.

Rank Qanday Tanlandi?

Tenzor parchalanishida rank ma’lumotni nechta yashirin komponent bilan taxminan tushuntirishga urinayotganimizni bildiradi.

Tadqiqotning izohlangan varians o‘lchovi:

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

ko‘rinishidadir.

Bu yerda:

• \(\hat{X}_R\): rank-\(R\) CP modeli orqali qayta tiklangan tenzor,
• \(\|\cdot\|_F\): Frobenius normasi,
• \(\bar{x}\): tayanch o‘rtacha tuzilma.

Model:

\[ EV\geq0.90 \]

maqsadini qondiradigan eng kichik rankni izlagan.

Natija:

\[ R=2 \]

va:

\[ EV=92.45\% \]

deb topilgan.

Rank sezgirligi

Yuqoriroq ranklarda bayon–omil muvofiqligi biroz oshgan; biroq eng yuqori qiymat taxminan 0,094. Bu 0,65 lik o‘rtacha darajadagi o‘xshashlik chegarasidan ancha past.

Tucker Parchalanishi Ham Xuddi Shu Natijani Beradimi?

Tadqiqot usul faqat CP tanloviga bog‘liq yoki yo‘qligini tekshirish uchun Tucker decompositionni ham qo‘llagan.

Tucker modeli:

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

ko‘rinishida yoziladi.

Bu yerda \(G\), omillarning o‘zaro ta’sirini tashuvchi core tensor, ya’ni yadro tenzordir.

Ikki usulning natijalari juda o‘xshash. Demak, v4 dagi zaif bayon–omil mosligi faqat CP parchalanishining tanlanganidan kelib chiqqandek ko‘rinmaydi.

Whitepaperlar Sun’iy Intellekt Yordamida Qanday Tasniflandi?

Whitepaper matnlari BART-large-MNLI yordamida zero-shot tasniflashdan o‘tkazilgan.

Zero-shot classification — model ushbu tadqiqot uchun alohida qo‘lda belgilangan kripto whitepaper o‘quv ma’lumotlari to‘plami bilan qayta o‘qitilmasdan, oldindan o‘rgangan til bilimlari asosida berilgan toifalarni baholashidir.

Hujjatlar 500 so‘zli matn bo‘laklariga ajratilgan.

Har bir toifa uchun:

“This text is about [category]”

ko‘rinishidagi gipoteza baholangan.

Softmax ehtimoli

Matn bo‘lagi \(t\) va toifa \(l_k\) uchun ehtimol:

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

ko‘rinishida hisoblanadi.

Bu yerda:

• \(s_k\): modelning tegishli toifa uchun entailment skori,
• \(K=10\): jami toifalar soni,
• \(e\): tabiiy eksponensial funksiyaning asosi.

Softmax amali xom skorlarni yig‘indisi 1 ga teng ehtimolga o‘xshash qiymatlarga aylantiradi.

Nega faqat eng yuqori toifa tanlanmaydi?

Tadqiqot har bir matn bo‘lagini majburan bitta toifaga biriktirish o‘rniga barcha toifalarning ehtimol skorlaridan foydalanadi.

Bu usul texnik paragraf bir vaqtning o‘zida, masalan, ham “aqlli shartnoma”, ham “masshtablanuvchanlik” mavzulari bilan bog‘liq bo‘lishi mumkinligini qisman saqlashni maqsad qiladi.

10 ta Whitepaper Toifasi

Aktivning whitepaper profili qanday olinadi?

Aktivning barcha matn bo‘laklaridagi toifa ehtimollari o‘rtachasi olinadi:

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

Bu yerda:

• \(n\): kriptoaktivni,
• \(k\): funksional toifani,
• \(T_n\): tegishli whitepaperdan olingan matn bo‘laklari to‘plamini bildiradi.

Shunday qilib, har bir aktiv uchun 10 o‘lchamli bayon profili olinadi.

NLP Tasnifi Qanchalik Ishonchli?

Bu nuqta tadqiqotning eng muhim cheklovlaridan biridir.

Tadqiqotchi BART-MNLI natijalarini muqobil DeBERTa-v3 modeli tasniflari bilan taqqoslagan.

200 ta tasodifiy matn bo‘lagida birinchi toifaning to‘liq mosligi atigi:

%32

bo‘lgan.

Cohen's kappa:

\[ \kappa=0.14 \]

deb qayd etilgan.

Bu modellararo past kelishuvdir.

Shu bilan birga, muqobil modelning birinchi bashorati BART modelining dastlabki uch toifasi orasida deb qabul qilingan yumshoqroq o‘lchovda moslik:

%67

bo‘lgan.

Uch xil NLP usulini taqqoslash

Ushbu natijalar whitepaper bayonining “haqiqiy toifasi” butunlay obyektiv va modeldan mustaqil tarzda o‘lchanmaganini ko‘rsatadi.

Medium of Exchange, DeFi va Privacy kabi aniq til belgilariga ega toifalarda usullar ko‘proq kelishsa, Smart Contracts va Store of Value kabi toifalarda muvofiqlik pastroq.

Ma’lumot kamligi muammosi

ALGO, AXS, BAND, DOT, RPL, SUSHI va YFI uchun 10 tadan kam matn bo‘lagi mavjudligi qayd etilgan.

Ushbu yettita kam ma’lumotli aktiv chiqarib tashlanganda Embedding–LLM korrelyatsiyasi 0,52 ga ko‘tarilgan.

Demak, tasniflagichlar o‘rtasidagi nomuvofiqlikning bir qismi faqat model farqidan emas, ayrim loyihalar uchun hujjatlar miqdorining yetarli emasligidan ham kelib chiqishi mumkin.

Bozorning Yetti Moliyaviy Xususiyati Qanday Hisoblandi?

1. O‘rtacha daromad

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

Aktivning vaqt davomida o‘rtacha daromadidir.

2. Volatillik

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

Daromadlar o‘rtacha atrofida qanchalik tarqalishini o‘lchaydi.

3. Sharpe nisbati

Manba soatlik ma’lumotdan yilliklashtirilgan Sharpe nisbatida an’anaviy moliya bilan taqqoslanish imkonini saqlash maqsadida 252 savdo kuni va kuniga 24 soat ko‘paytuvchisidan foydalanadi.

Umuman olganda, Sharpe nisbati har bir volatillik birligiga to‘g‘ri keladigan daromadni o‘lchashga harakat qiladi.

Kripto bozorlari haftaning yetti kuni 24 soat ochiq bo‘lgani uchun 252 kunlik an’anaviy moliya farazi kripto bozori uchun aynan tabiiy taqvim emasligi manbada izoh bilan qayd etilgan.

4. Maksimal pasayish

Maksimal pasayish aktivning avvalgi cho‘qqisidan keyingi eng past nuqtasigacha boshdan kechirgan eng katta nisbiy qiymat yo‘qotishini o‘lchaydi.

5. O‘rtacha hajm

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

O‘rganilgan davrdagi o‘rtacha soatlik savdo hajmini ifodalaydi.

6. Volatillikning volatilligi

Vol-of-vol vaqt davomida hisoblangan harakatlanuvchi volatillik o‘lchovining o‘z standart og‘ishidir.

U nafaqat bozor qanchalik o‘zgaruvchanligini, balki volatillikning o‘zi qanchalik o‘zgaruvchanligini ham o‘lchashga harakat qiladi.

7. Trend

Manba trendni:

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

chiziqli regressiyasidagi:

\[ \beta \]

koeffitsient orqali ifodalaydi.

Musbat \(\beta\) o‘rganilgan davrda yuqoriga yo‘nalgan chiziqli tendensiyani, manfiy qiymat esa pastga yo‘nalgan tendensiyani bildiradi.

Procrustes Moslashtirishi Nima?

Whitepaper bayon matritsasi bilan bozor matritsasi bir xil koordinata tizimida yaratilmagan.

Birida ustunlar “maxfiylik”, “masshtablanuvchanlik” va “DeFi” kabi toifalarni; boshqasida esa volatillik, hajm yoki matematik yashirin omillarni ifodalaydi.

Shu sababli matritsalarni ustunma-ustun bevosita taqqoslash ma’noli emas.

Orthogonal Procrustes usuli bir ifoda makonini aylantirib, ikkinchisiga imkon qadar yaqinlashtiradigan ortogonal o‘zgartirishni topadi.

Muammo:

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

ko‘rinishida aniqlanadi.

Bu yerda:

• \(A\): moslashtiriladigan birinchi ifoda matritsasi,
• \(B\): maqsad ifoda matritsasi,
• \(Q\): ortogonal o‘zgartirish matritsasi,
• \(\|\cdot\|_F\): Frobenius normasi.

Ortogonal o‘zgartirish asosan o‘qlarni aylantiradi yoki aks ettiradi; ma’lumotni ixtiyoriy ravishda cho‘zmaydi.

SVD yechimi

Agar:

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

ko‘rinishida singulyar qiymatlar bo‘yicha parchalanish bajarilsa, optimal o‘zgartirish:

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

ko‘rinishida olinadi.

Manbaning A ilovasi ushbu natijaning iz (trace) optimallashtirishi orqali matematik keltirib chiqarilishini beradi.

O‘lchamlar Bir Xil Bo‘lmasa Nima Bo‘ladi?

Whitepaper da’volari matritsasi 10 o‘lchamli, CP omil matritsasi esa asosiy tahlilda faqat 2 o‘lchamli.

Yuklangan v4 da kichik matritsa ustunlari nollar bilan to‘ldirilib, o‘lchamlar tenglashtirilgan.

Masalan, 2 omilli matritsa 10 o‘lchamli whitepaper makoni bilan taqqoslanganda sakkizta nol ustun qo‘shiladi.

Muallif bu φ qiymatiga pastga yo‘nalgan ta’sir ko‘rsatishi mumkinligini ochiq tan oladi.

Keyingi matched-dimension nazoratida o‘lchamlar avval SVD yordamida moslashtirilganda:

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

natijalari olingan.

Bu qiymatlar zero-padding ishlatilmaganda bayon–bozor muvofiqligi biroz ko‘tarilganini, biroq yana statistik ahamiyatlilikka erishmaganini ko‘rsatadi.

Tucker Muvofiqlik Koeffitsienti φ Nima?

Tadqiqotning asosiy o‘xshashlik o‘lchovi:

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

ko‘rinishidadir.

Bu ifoda matematik jihatdan kosinus o‘xshashligiga teng; biroq Pearson korrelyatsiyasidan farqli o‘laroq ma’lumotlar o‘rtacha qiymatga nisbatan markazlashtirilmaydi.

Qiymat:

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

oralig‘idadir.

Manba ishlatgan talqin chegaralari

Manba, shuningdek, ushbu chegaralar aslida o‘xshash ma’lumot to‘plamlaridan olingan omil yechimlarini taqqoslash uchun ishlab chiqilganini va NLP bayon makoni bilan moliyaviy bozor makoni kabi o‘zaro farqli ifoda turlariga qo‘llash dastlabki tasdiqlash kontekstidan tashqariga chiqishini tan oladi.

Asosiy Natijalar

p-qiymati nimani bildiradi?

Tadqiqot bir tomonlama permutatsiya testidan foydalanadi.

Asosiy jarayon quyidagicha:

1. Haqiqiy ma’lumotda kuzatilgan \(\phi^*\) hisoblanadi.
2. Aktivlar mosligi tasodifiy aralashtiriladi.
3. Har bir aralashtirishda yangi \(\phi^{(b)}\) hisoblanadi.
4. Tasodifiy natijalar kuzatilgan natijadan qanchalik tez-tez katta yoki teng bo‘lishi o‘lchanadi.

Manba:

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

ko‘rinishidagi ifodadan foydalanadi.

Bu yerda \(B=1000\) ta permutatsiya.

Claims–Statistics uchun \(p=0.339\) va Claims–Factors uchun \(p=0.751\) bo‘lgani sabab kuzatilgan zaif muvofiqlik qiymatlari tasodifiy mosliklarga nisbatan ahamiyatli darajada yuqori ekani ko‘rsatilmagan.

Nega “Munosabat Yo‘q” Degan Xulosa Chiqarib Bo‘lmaydi?

Statistik ahamiyatlilik topilmagani o‘z-o‘zicha munosabat mutlaqo nol ekanini isbotlamaydi.

Tadqiqotning quvvat tahlili buni ayniqsa ko‘rsatadi:

37 ta umumiy aktiv bilan tadqiqotda \(\phi=0.30\) kabi zaif haqiqiy ta’sir mavjud bo‘lsa, uni atigi taxminan %14 ehtimol bilan aniqlash mumkin.

Bunga qarshi ravishda:

\[ \phi\geq0.70 \]

darajasidagi kuchli munosabat uchun quvvat taxminan %90.

Shuning uchun tadqiqot kuchli bayon–bozor muvofiqligini rad etishda ishonchliroq; zaif muvofiqlikni nol muvofiqlikdan ajratishda esa yetarli emas.

Bootstrap Ishonch Oraliqlari Muammosi

Manba %95 ishonch oraliqlari uchun 1.000 ta bootstrap qayta namunalanishidan foydalangan.

Biroq atigi 37 ta aktiv mavjud kichik namunada ayni aktivlarning bootstrap davomida qayta-qayta tanlanishi Procrustes moslashtirishini sun’iy ravishda yaxshilashi mumkin.

Manba bootstrap o‘rtachasi nuqtaviy bahodan:

• Claims–Statistics taqqoslashida taxminan %29,
• Claims–Factors taqqoslashida taxminan %37

yuqori ekanini qayd etadi.

Shu sababli maqoladagi ishonch oraliqlarini “aniq chegaralar” emas, manba muallifining ifodasi bilan ko‘proq indikativ ko‘rsatkich sifatida baholash kerak.

Natija Vaqt Davomida O‘zgaradimi?

Barcha davrlarda muvofiqlik zaif oraliqda qolgan. Bu holat yuklangan v4 dagi asosiy natija faqat bitta qisqa bozor davridan kelib chiqmaganini ko‘rsatadi.

Kengroq institutsional bayonlar ishlatilganda nima bo‘ldi?

Muallif whitepaper o‘rniga rasmiy hujjatlar, foundation yangilanishlari, boshqaruv forumlari va loyiha bloglarini o‘z ichiga olgan qo‘shimcha institutsional bayon korpusini yaratgan.

Fevral 2025 dagi snapshotda 14 loyiha uchun 627 ta hujjat va 367.071 so‘z mavjud. To‘liq bozor ma’lumoti bor 12 ta aktiv bilan oltita sirg‘aluvchi oynada o‘rtacha:

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

deb topilgan.

Ushbu natija whitepaperga nisbatan bayon–bozor muvofiqligini o‘rtacha yoki kuchli darajaga olib chiqmagan.

Shu bilan birga faqat bitta sanaga oid bayon snapshoti ishlatilgani sabab loyiha bayonining vaqt davomida o‘zgarishi haqiqiy ma’noda o‘lchanmagan.

Muqobil Muvofiqlik O‘lchovlari Ham Xuddi Shu Natijani Beradimi?

To‘rtta muqobil usulning barchasida whitepaper qatnashgan taqqoslashlar ahamiyatlilikka erishmagan, bozor statistikasi–bozor omillari taqqoslash esa ahamiyatli bo‘lib qolgan.

Bu holat v4 dagi asosiy topilma faqat Tucker φ o‘lchovining maxsus matematik xususiyatlaridan kelib chiqmaganiga qo‘shimcha dalil beradi.

Bozor Omillari Aslida Nimani Ifodalaydi?

Muallif Omil 1 ni riskka moslashtirilgan samaradorlik yoki barqarorlik o‘lchami sifatida talqin qiladi. U maksimal pasayish va volatillik bilan manfiy, Sharpe nisbati bilan musbat bog‘liq.

Omil 2 esa o‘rtacha hajm va hajm volatilligi bilan ko‘proq bog‘liq bo‘lgani uchun likvidlik/kattalik o‘lchami sifatida talqin qilinadi.

Bunga qarshi ravishda 10 ta whitepaper toifasi bilan ikki omil o‘rtasidagi jami 20 ta korrelyatsiyaning hech biri:

\[ \alpha=0.05 \]

darajasida statistik ahamiyatlilikka erishmagan.

Eng kuchli qiymat Smart Contracts bilan Omil 1 o‘rtasidagi:

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

korrelyatsiya bo‘lib, u ham zaif va ahamiyatli bo‘lmagan munosabatdir.

Tenzorni Dastlabki Qayta Ishlash Natijani O‘zgartiradimi?

Tadqiqot tenzor yaratishning uch xil usulidan foydalangan:

1. normallashtirilgan original OHLCV darajalari,
2. logarifmik daromadlar,
3. aktiv bo‘yicha z-skorlangan xususiyatlar.

Ushbu turli tuzilmalardan chiqarilgan omillarning o‘zaro muvofiqligi:

• original – daromad: \(\phi=0.14\)
• original – z-score: \(\phi=0.19\)
• daromad – z-score: \(\phi=0.11\)

deb qayd etilgan.

Bu natija yashirin omillarning aniq tuzilishi tenzor qanday tayyorlanishiga sezgir ekanini ko‘rsatadi.

Shu sababli “Omil 1 aynan mana shu iqtisodiy omildir” kabi haddan tashqari qat’iy talqinlardan qochish kerak.

Shunga qaramay, whitepaper bayoni bilan bozor tuzilmasi o‘rtasidagi muvofiqlik barcha dastlabki qayta ishlash variantlarida past bo‘lib qolgan.

CP Natijalari Tasodifiy Boshlanishga Sezgirmi?

ALS algoritmi tasodifiy boshlanishdan foydalangani uchun tadqiqotchi rank-2 modelini 10 xil random seed bilan qayta ishga tushirgan.

Omil matritsalari o‘rtasidagi o‘rtacha muvofiqlik:

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

va oraliq:

\[ [0.9997,\ 1.000] \]

deb topilgan.

Bu yuklangan v4 da ishlatilgan tenzor va model sharoitida tasodifiy boshlanish natijaga juda kam ta’sir qilishini ko‘rsatadi.

Vaqt bo‘yicha omil barqarorligi

Ikki yillik namuna ikkiga bo‘lingan:

• 1-yil: 8.771 soat,
• 2-yil: 8.772 soat.

Ikki yarimdagi omillarning muvofiqligi:

\[ \phi=0.933 \]

deb topilgan.

1-yil – to‘liq namuna:

\[ \phi=0.977 \]

2-yil – to‘liq namuna:

\[ \phi=0.987 \]

natijasini bergan.

Ushbu o‘lchov bir xil tenzor yaratish tanlovlari ostida omil tuzilmasi ikki yillik davrning har ikki yarmida ancha barqaror bo‘lganini ko‘rsatadi.

v4 da Qayd Etilgan, Ammo Keyin Qaytarib Olingan Token Asosidagi Topilmalar

Yuklangan v4 versiyasidagi leave-one-out tahlilida quyidagi natijalar qayd etilgan:

Muhim versiya ogohlantirishi: Ushbu reyting endi tadqiqotning joriy ilmiy natijasi emas. Keyingi arXiv versiyasi avvalgi korpusda noto‘g‘ri yoki muvaffaqiyatsiz yuklab olingan whitepaper hujjatlari bo‘lganini va ixtisoslashgan tokenlar yuqoriroq muvofiqlik ko‘rsatgani haqidagi reyting mazmun tekshirilgandan keyin yo‘qolganini bildiradi.

Shuning uchun XMR, CRV yoki YFI whitepaper bayonlari bozor xatti-harakatini boshqa loyihalarga qaraganda yaxshiroq “bashorat qiladi” degan fikr hozirgi vaqtda tasdiqlangan natija emas.

v4 Whitepaper Korpusidagi Hujjat Xatosi

Yuklangan versiyaning o‘z D ilovasida muhim ma’lumot sifati muammosi ochiq qayd etilgan.

ATOM uchun GitHub fallback mexanizmi orqali olingan hujjat Cosmos Hub whitepaperi o‘rniga Binance Smart Chain whitepaperi bo‘lgani bildiriladi.

v4 muallif bahosida bu faqat 37 aktivdan bittasiga ta’sir qilgani va asosiy zaif muvofiqlik natijasini o‘zgartirishi kutilmasligi aytiladi.

Biroq keyingi tadqiqot versiyalari korpusni tekshirishni kengaytirib, avvalgi entity-level natijalar hujjat kontaminatsiyasiga ko‘proq sezgir ekanini ko‘rsatgan.

Whitepaper Toifalaridan Qaysilari v4 da Muvofiqlikka Ko‘proq Hissa Qo‘shgan?

Bu jadval v4 korpusidan olingani sabab token darajasidagi kontaminatsiya ogohlantirishidan mustaqil deb qaralmasligi kerak. Toifa ta’sirlari kichik va asosiy bayon–bozor muvofiqligi umuman zaif ekani haqidagi faktni o‘zgartirmaydi.

Bitcoin Asosiy Natijani Yolg‘iz O‘zi Boshqaryaptimi?

Bitcoin CP omillar makonida juda yaqqol chet qiymatdir. v4 da Omil 1 yuklamasi taxminan:

\[ 28.5 \]

deb qayd etilgan; boshqa aktivlarning o‘rtachasi taxminan nol atrofida.

Shu sababli tadqiqotchi Bitcoin natijani yolg‘iz o‘zi boshqarib turibdimi-yo‘qmi, alohida tekshirgan.

v4 leave-one-out tahlilida Bitcoinning muvofiqlik ta’siri taxminan:

\[ -0.004 \]

deb topilgan.

Bu qiymat Bitcoin omillar makonida katta statistik chet qiymat bo‘lsa-da, whitepaper–bozor nomuvofiqligi natijasi faqat Bitcoindan kelib chiqmaganini ko‘rsatadi.

O‘lchash Xatosi Zaif Muvofiqlikni Tushuntirishi Mumkinmi?

NLP modellari o‘rtasidagi past muvofiqlik haqiqiy bayon profillari sezilarli darajada o‘lchash xatosini o‘z ichiga olishini anglatishi mumkin.

Manba Spearman attenuation correction yondashuvi bilan:

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

ko‘rinishida tuzatish bahosini amalga oshiradi.

Claims ishonchliligi:

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

va bozor ishonchliligi farazi:

\[ \rho_{YY}=0.95 \]

ishlatilganda Claims–Factors tuzatilgan muvofiqligi taxminan:

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

deb hisoblangan.

Bu qiymat ham 0,65 o‘rtacha muvofiqlik chegarasidan ancha past.

Biroq bu tuzatish ham ishonchlilik parametrlari qanday baholanishiga bog‘liq va haqiqiy bayon o‘lchash xatosini qat’iy hal qilmaydi.

Ijobiy Nazoratda Doiraviylik Muammosi Bormi?

Bozor statistikasi va tenzor omillari ayni OHLCV ma’lumotidan hosil qilingani sabab ular o‘rtasida ahamiyatli munosabat topilishi qisman mexanik bo‘lishi mumkin.

Manba bu muammoni kamaytirish uchun namunani ikki davrga ajratgan:

• birinchi yildan CP omillari,
• ikkinchi yildan bozor statistikasi

hosil qilingan.

Ushbu mustaqil vaqt bo‘laklari o‘rtasidagi muvofiqlik:

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

deb topilgan.

Bu natija nominal %5 chegarasidan sal yuqori. Shuning uchun uni “qat’iy ahamiyatli ijobiy nazorat” deb talqin qilmaslik kerak; biroq moslashtirish tizimi turli vaqt namunalaridan hosil qilingan bozor ifodalarida o‘rtacha kattalikdagi tuzilmaviy o‘xshashlikni aniqlay olishini ko‘rsatadi.

Tadqiqot Qo‘llab-Quvvatlaydigan Natijalar

• Yuklangan v4 da whitepaper bayoni bilan bozor statistikasi o‘rtasidagi Tucker muvofiqligi zaif: φ=0,246.
• Whitepaper bayoni bilan rank-2 tenzor omillari o‘rtasidagi muvofiqlik juda zaif: φ=0,058.
• Whitepaper asosidagi ushbu ikki taqqoslash permutatsiya testida ahamiyatli emas.
• Ayni bozor ma’lumotining turli xulosalaridan hosil bo‘lgan statistika va tenzor omillari o‘rtasida zaif, biroq statistik jihatdan ahamiyatli munosabat mavjud.
• CP va Tucker parchalanishi v4 da o‘xshash bayon–omil natijalarini beradi.
• Rank 1–5 oralig‘ida bayon–omil muvofiqligi doim zaif bo‘lib qoladi.
• Oltita sirg‘aluvchi vaqt oynasida bayon–bozor muvofiqligi zaif oraliqda qoladi.
• Muqobil RV, distance correlation, CCA va PLS o‘lchovlari ham whitepaper qatnashgan taqqoslashlarda ahamiyatli muvofiqlik ko‘rsatmaydi.
• Tenzor omillari risk, volatillik va likvidlik kabi ro‘yobga chiqqan bozor xususiyatlari bilan bog‘liq.
• Tadqiqot namunasining quvvati kuchli bayon–bozor muvofiqligini rad etishga yetarli, zaif muvofiqlik bilan nol muvofiqlikni qat’iy ajratishga esa yetarli emas.

Tadqiqot Qo‘llab-Quvvatlamaydigan Umumlashtirishlar

• Whitepaperlar kelajakdagi kripto narxlarini bashorat qila olmaydi degan xulosani ushbu tadqiqotdan chiqarib bo‘lmaydi; tadqiqot narx bashorati qilmaydi.
• Whitepaper mazmunining bozor bilan mutlaqo hech qanday aloqasi yo‘qligi isbotlanmagan.
• p>0,05 natijasi “munosabat aynan nol” degani emas.
• Whitepaper tahlili texnologik sifat, xavfsizlik yoki loyiha maqsadi nuqtayi nazaridan qadrsiz degan xulosa chiqarib bo‘lmaydi.
• Tadqiqot investitsiya strategiyasi yoki savdo signali ishlab chiqmaydi.
• Tokenning muayyan whitepaper toifasiga kirishi u yuqoriroq yoki pastroq investitsiya daromadi berishini ko‘rsatmaydi.
• Faqat Binance ma’lumotiga asoslangan natijalar barcha birjalarda bir xil bo‘lishi ko‘rsatilmagan.
• Ikki yillik bozor davri uzoq muddatli butun kripto tarixini ifodalaydi deb bo‘lmaydi.
• Umumiy maqsadli zero-shot NLP modellari kripto terminologiyasini xatosiz tasniflashi ko‘rsatilmagan.
• v4 dagi XMR, CRV, YFI, SOL kabi token asosidagi ijobiy reytinglardan joriy ilmiy natija sifatida foydalanib bo‘lmaydi; keyingi versiya ularni korpus kontaminatsiyasi doirasida qaytarib olgan.

Asosiy Cheklovlar

1. Kichik umumiy namuna

Asosiy moslashtirish atigi 37 ta aktiv bilan amalga oshiriladi. Ushbu namuna kuchli ta’sirlar uchun yetarli bo‘lsa-da, zaif va o‘rtacha kattalikdagi munosabatlarni aniqlash imkoniyati cheklangan.

2. Whitepaperlar statik hujjatlardir

Ko‘plab whitepaperlar loyihaning ilk yillarida yozilgan. Bunga qarshi ravishda bozor ma’lumoti 2023–2024 davriga tegishli. Loyihalarning yillar davomida o‘zgargan bayonlari asosiy whitepaperda aks etmasligi mumkin.

3. Taksonomiya tadqiqotchi tomonidan belgilangan

10 toifa kripto ekotizimi uchun mantiqiy bo‘lsa-da, yagona mumkin bo‘lgan tasnif emas. Yanada nozik yoki boshqa taksonomiya boshqa munosabatlarni ko‘rsatishi mumkin.

4. Zero-shot tasniflashda domain shift

BART-MNLI umumiy tabiiy til xulosalash ma’lumotlarida o‘qitilgan. “AMM”, “sharding”, “tokenomics” va shunga o‘xshash kriptoga xos ifodalar umumiy maqsadli model tomonidan har doim to‘g‘ri anglanishiga kafolat yo‘q.

5. Yagona bozor ma’lumot provayderi

OHLCV ma’lumotlari Binance’dan olingan. Turli birjalardagi likvidlik va mikrostruktura farqlari modelga kiritilmagan.

6. Tenzor omillari dastlabki qayta ishlashga sezgir

OHLCV darajalari, daromadlar va aktiv bo‘yicha z-score ishlatilganda hosil qilingan omillar o‘rtasida faqat past muvofiqlik topilgan. Shu sababli yashirin omillarning iqtisodiy talqini qat’iy deb qabul qilinmasligi kerak.

7. Procrustes o‘lcham moslashtirishi

v4 asosiy tahlilida ishlatilgan nol ustun qo‘shish usuli standart bo‘lmagan va φ qiymatini pasaytirishi mumkin bo‘lgan yondashuvdir. Manba buni ochiq ravishda cheklov deb tan oladi.

8. Bootstrap tarafkashligi

Kichik namunada takrorlangan aktivlar Procrustes muvofiqligini sun’iy ravishda oshirishi mumkinligi sabab ishonch oraliqlarini mutlaq aniqlik bilan baholamaslik kerak.

9. Whitepaper korpusidagi mazmun sifati

Yuklangan v4 ning o‘z ilovasida ATOM uchun noto‘g‘ri whitepaper ishlatilgani ma’lum. Keyingi arXiv versiyalarida yanada keng korpus kontaminatsiyasi aniqlangani sabab, ayniqsa v4 ning aktiv asosidagi natijalaridan ishonchli joriy topilma sifatida foydalanilmasligi kerak.

Turkiya Nuqtayi Nazaridan Qanday O‘qilishi Kerak?

Turkiyada kriptoaktivlarni o‘rganayotgan investorlar, akademiklar yoki moliyaviy texnologiya ishlab chiquvchilari uchun tadqiqotning eng muhim xabari — token o‘zini qanday ta’riflashi bilan bozorda qanday risk va likvidlik xususiyatlarini ko‘rsatishi bir xil narsa emas.

Masalan, ikki loyiha ham o‘zini “masshtablanuvchi aqlli shartnoma platformasi” deb ta’riflashi mumkin; biroq ularning bozor xatti-harakati turli makro sharoitlar, Bitcoin korrelyatsiyasi, likvidlik, token taklifi, investor tuzilmasi va bozor mikrostrukturasidan ta’sirlanishi mumkin.

Shuning uchun whitepaper tahlilidan texnologik va funksional baholash uchun foydalanish mumkin, investitsion xatti-harakat esa alohida bozor ma’lumotlari bilan o‘rganilishi kerak.

Biroq tadqiqot Turkiyaga xos investor xatti-harakati, Turkiyadagi birjalar yoki turk lirasi bilan ifodalangan kripto bozorlari ustida tajriba o‘tkazmagan. Mahalliy natijalar uchun alohida tasdiqlash zarur.

Manba va Usul Haqida Izoh

Yuklangan versiyaning original sarlavhasi: Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis.

Muallif: Murad Farzulla.

Yuklangan versiyadagi muassasalar: Dissensus AI, London, UK; King's College London, London, UK.

Mualliflar soni: Bir muallifli tadqiqot.

Teng hissa: Qo‘llanmaydi.

Mas’ul muallif: Manbada Murad Farzulla yulduzcha bilan correspondence muallifi sifatida ko‘rsatilgan.

ORCID: 0009-0002-7164-8704.

Working paper seriyasi: Dissensus AI Working Paper Series.

Hisobot raqami: DAI-2508.

ArXiv identifikatori: arXiv:2601.20336.

Yuklangan fayl: arXiv:2601.20336v4.

Yuklangan versiya sanasi: 14 Fevral 2026.

ArXiv DOI: 10.48550/arXiv.2601.20336.

Yuklangan versiyaning manba turi: Working paper / arXiv preprint.

Taqriz holati: Yuklangan v4 taqrizdan o‘tgan yakuniy jurnal maqolasi emas. Noyabr 2026 dagi joriy muallif/laboratoriya qaydida tadqiqot Financial Innovation uchun taqriz va major-revision jarayonida deb ko‘rsatilgan; qabul qilingan yakuniy nashr tasdiqlanmagan.

Muhim versiya o‘zgarishi: ArXiv qaydi v4 dan keyin qayta ko‘rib chiqilgan. Joriy v6 versiyasi 11 Iyul 2026 sanali bo‘lib, uning sarlavhasi “Are Whitepaper Claims Reflected in Market Structure? A Contamination-Aware Pipeline and a Power-Limited Null” ko‘rinishida.

Joriy versiyaning asosiy tuzatishi: v4 da qayd etilgan ayrim token darajasidagi bayon–bozor reytinglariga whitepaper korpusi kontaminatsiyasi ta’sir qilgani keyingi versiyada ko‘rsatilgan va bu reyting ilmiy topilma sifatida qaytarib olingan. Ushbu Verianla matnida tegishli v4 natijalari faqat tarixiy versiya ma’lumoti sifatida ko‘rsatilgan.

Asosiy bozor ma’lumot manbasi: Binance API; CCXT kutubxonasi.

Bozor davri: 1 Yanvar 2023 – 31 Dekabr 2024.

Bozor aktivlari: 49.

Whitepaper/texnik hujjat: Yuklangan v4 da 38.

Asosiy umumiy namuna: 37 aktiv.

Vaqt nuqtalari: 17.543 soatlik kuzatuv.

Bozor xususiyatlari: Open, High, Low, Close, Volume.

Moliyaviy yig‘ma statistikalar: O‘rtacha daromad, volatillik, Sharpe nisbati, maksimal pasayish, o‘rtacha hajm, volatillikning volatilligi va trend.

NLP usuli: BART-large-MNLI zero-shot tasniflash.

Muqobil NLP tasdiqlashi: DeBERTa-v3, sentence embedding va Ministral-3 asosidagi tasniflash tekshiruvlari.

Whitepaper toifalari soni: 10.

Tenzor usuli: CP/CANDECOMP-PARAFAC; robustness uchun Tucker decomposition.

CP ranki: 2.

Izohlangan varians: %92,45.

Asosiy moslashtirish: Orthogonal Procrustes rotation.

Asosiy o‘xshashlik o‘lchovi: Tucker's Congruence Coefficient (φ).

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

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

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

Statistik xulosa chiqarish: 1.000 permutatsiyali bir tomonlama permutatsiya testi; 1.000 qayta namunalanishli bootstrap ishonch oraliqlari.

Quvvat chegarasi: n=37 namuna taxminan φ≥0,70 darajasidagi kuchli muvofiqlikni yuqori quvvat bilan aniqlashi mumkin; φ≈0,30 darajasidagi zaif ta’sirlar uchun quvvat past.

Bootstrap ogohlantirishi: Manba kichik namuna va Procrustes moslashtirishi sabab bootstrap ishonch oraliqlarida sezilarli yuqoriga yo‘nalgan tarafkashlik mavjudligini bildiradi.

Whitepaper tasnifi ishonchliligi: BART–DeBERTa exact top-1 mosligi %32, Cohen's κ=0,14; yumshoq top-3 mosligi %67.

Hujjat sifati muammosi: v4 D ilovasi ATOM uchun Cosmos Hub o‘rniga Binance Smart Chain whitepaperi tahlil qilinganini ochiq qayd etadi. Keyingi versiya korpus sifat nazoratini yanada kengaytirgan.

Reproduksiya: Manba random seed 42, Python 3.11+, NumPy, SciPy, TensorLy, scikit-learn va Hugging Face Transformers ishlatilganini bildiradi.

Kod va qayta ishlangan ma’lumotlar: Manba studiofarzulla/tensor-defi GitHub repozitoriysini reproduksiya materiali sifatida ko‘rsatadi.

Kod litsenziyasi: PDF deklaratsiyasida reproduksiya kodi MIT License ostida e’lon qilingani bildiriladi.

Moliyalashtirish: Tadqiqot tashqi moliyalashtirish olmagan; hisoblash resurslari King's College London tomonidan taqdim etilgani bildirilgan.

Manfaatlar to‘qnashuvi: Muallif competing interests mavjud emasligini bayon qiladi.

AI yordami: Manba Claude (Anthropic) tizimi qoralama yaratish, kodni ko‘rib chiqish va statistik bayonda yordam berganini; tadqiqot dizayni, ma’lumot tahlili va talqinlar uchun mas’uliyat muallifga tegishli ekanini bildiradi.

Muallif hissasi: Sole author.

Ma’lumotlar mavjudligi: Binance/CCXT bozor ma’lumotlari va rasmiy loyiha hujjatlari ommaviy manbalardan; qayta ishlangan ma’lumotlar va NLP chiqishlari reproduksiya repozitoriysida taqdim etilgan.

1-rasm: Uch NLP tasniflash usulining 10 toifadagi o‘rtacha skorlarini taqqoslaydi.

2-rasm: Bir vaqt nuqtasidagi z-normalizatsiya qilingan bozor tenzori kesimini ko‘rsatadi.

3-rasm: Aktivlarni rank-2 CP omillar makonida ko‘rsatadi; BTC, GALA va SC statistik chet qiymatlar ekani bildiriladi.

4-rasm: v4 whitepaper da’volar matritsasining 38 aktiv × 10 toifa issiqlik xaritasidir.

5-rasm: CP ranki, izohlangan varians va bayon–omil muvofiqligi o‘rtasidagi sezgirlikni ko‘rsatadi.

6-rasm va 10-jadval: v4 entity-level leave-one-out ta’sirlarini ko‘rsatadi. Ushbu bo‘limdagi token reytingi keyingi versiyada korpus kontaminatsiyasi sabab ishonchli topilma sifatida saqlanmagan.

7-rasm va 11-jadval: Whitepaper toifalarining v4 ablation asosidagi muvofiqlik ta’sirlarini ko‘rsatadi.

8-rasm: Bozor statistikasi bilan omillar o‘rtasida ahamiyatli korrelyatsiyalar topilgan holda whitepaper toifa–omil juftlarida ahamiyatli korrelyatsiya topilmaganini ko‘rsatadi.

9-rasm: Uch NLP usulining toifa bo‘yicha korrelyatsiyalarini ko‘rsatadi.

Ilmiy talqin chegarasi: Yuklangan v4 kripto whitepaperlaridagi funksional bayonlar 2023–2024 bozor omillari tuzilmasi bilan kuchli tuzilmaviy moslik ko‘rsatmaganini qo‘llab-quvvatlaydi. Namunaning cheklangan quvvati sabab zaif muvofiqlik bilan umuman muvofiqlik yo‘qligi o‘rtasidagi farqni qat’iy belgilab bo‘lmaydi. Ushbu tadqiqot narx bashorati modeli yoki investitsiya tavsiyasi emas.