Kripto para projeleri amaçlarını, teknik mimarilerini, kullanım alanlarını ve çözmeyi hedefledikleri problemleri çoğunlukla whitepaper adı verilen temel belgelerde açıklar. Ancak bir projenin whitepaper'ında kendisini örneğin ödeme aracı, merkeziyetsiz finans altyapısı, gizlilik sistemi, veri depolama ağı veya ölçeklenebilir blokzincir olarak tanımlaması, o projenin tokenının finansal piyasada aynı işlevsel sınıfa uygun bir davranış sergileyeceği anlamına gelir mi?

Murad Farzulla'nın “Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis” başlıklı çalışmasının temel sorusu budur. Araştırma 38 kripto para projesine ait teknik dokümanları doğal dil işleme yöntemleriyle 10 işlevsel kategoriye ayırmakta; aynı zamanda Binance'den alınan 49 kripto varlığa ait 2023–2024 dönemindeki saatlik OHLCV verilerini tensor ayrıştırması ve finansal özet istatistikleriyle analiz etmektedir.

Buradaki “predict” kelimesi gelecekteki fiyatı tahmin etmek anlamında kullanılmamaktadır. Çalışma, whitepaper'lardaki anlatıların gelecekte fiyatın yükselip düşeceğini öngörüp öngörmediğini test etmez. Araştırılan soru, projelerin kendileri hakkında söyledikleriyle piyasada gözlenen yapısal özelliklerin aynı varlıklar arasında benzer bir örüntü oluşturup oluşturmadığıdır. Başka bir ifadeyle çalışma bir yapısal örtüşme araştırmasıdır.

Yüklenen v4 sürümünde 38 whitepaper bulunmaktadır. Piyasa veri kümesi ise 49 varlıktan oluşmaktadır. Whitepaper ve yeterli piyasa verisinin birlikte bulunduğu 37 varlık, temel anlatı–piyasa karşılaştırmasında kullanılmıştır. Piyasa verileri 1 Ocak 2023–31 Aralık 2024 dönemini ve her varlık için 17.543 saatlik zaman noktasını kapsamaktadır.

Whitepaper içerikleri BART-large-MNLI modeli kullanılarak sıfır örnekli sınıflandırma (zero-shot classification) yöntemiyle 10 kategoriye ayrılmıştır: değer saklama, değişim aracı, akıllı sözleşmeler, merkeziyetsiz finans, yönetişim, ölçeklenebilirlik, gizlilik, birlikte çalışabilirlik, veri depolama ve oracle hizmetleri.

Piyasa tarafında iki ayrı temsil oluşturulmuştur. İlk temsil, her varlık için hesaplanan yedi finansal özet ölçüsünden oluşmaktadır: ortalama getiri, volatilite, Sharpe oranı, maksimum düşüş, ortalama işlem hacmi, volatilitenin volatilitesi ve fiyat trendi. İkinci temsil ise saat × varlık × OHLCV özelliklerinden oluşan yüksek boyutlu piyasa tensorunun CP ayrıştırmasıyla elde edilen gizil faktörlerdir.

CP ayrıştırmasında iki faktör, piyasa tensorundaki varyansın %92,45'ini açıklamıştır. Araştırma daha sonra whitepaper iddialarından oluşturulan temsil uzayı ile piyasa istatistikleri ve gizil faktörlerden oluşturulan uzayları Orthogonal Procrustes dönüşümüyle hizalamış ve benzerliği Tucker uyum katsayısı (Tucker's congruence coefficient, φ) ile ölçmüştür.

Yüklenen v4 sürümünün temel sonuçlarında whitepaper iddiaları ile piyasa istatistikleri arasındaki uyum:

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

whitepaper iddiaları ile CP gizil faktörleri arasındaki uyum ise:

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

olarak bulunmuştur. Her iki değer de çalışmada kullanılan yorum ölçeğine göre zayıf uyum sınıfındadır ve permütasyon testinde istatistiksel anlamlılığa ulaşmamıştır.

Buna karşılık aynı piyasa verisinden türetilen piyasa istatistikleri ile tensor faktörleri arasındaki karşılaştırma:

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

sonucunu vermiştir. Uyumun büyüklüğü yine zayıf olmakla birlikte rastlantıya göre istatistiksel olarak anlamlıdır. Yazar bu sonucu, kullanılan hizalama yönteminin gerçek matematiksel yapı bulunduğunda bunu tespit edebildiğine yönelik bir pozitif kontrol olarak değerlendirmektedir.

Ancak araştırmanın istatistiksel gücü önemli bir sınırlamadır. 37 ortak varlıkla çalışma, yaklaşık \(\phi\geq0.70\) düzeyindeki güçlü örtüşmeyi yüksek güçle tespit edebilmektedir; buna karşılık \(\phi\approx0.30\) düzeyindeki zayıf bir ilişkinin gerçekten var olup olmadığını güvenilir biçimde ayıramamaktadır. Bu nedenle araştırmanın sonucu “whitepaper anlatılarıyla piyasa arasında kesinlikle hiçbir ilişki yoktur” değildir. Desteklenen daha dikkatli sonuç, güçlü bir yapısal örtüşmenin bulunmadığı ve mevcut örneklemle zayıf örtüşme ile sıfır örtüşmenin kesin olarak ayrıştırılamadığıdır.

Yüklenen v4 ayrıca XMR, CRV, YFI ve SOL gibi bazı daha özel kullanım alanına sahip tokenların whitepaper iddialarıyla piyasa davranışı arasında daha yüksek örtüşme katkısı gösterdiğini raporlamıştır. Fakat bu sonuç daha sonraki arXiv sürümlerinde geri çekilmiştir. Güncel sürümde yazar, önceki whitepaper korpusunda yanlış belge ve başarısız indirme içerikleri bulunduğunu ve bu entity-level sıralamanın temizlenmiş korpusta devam etmediğini belirtmektedir. Bu nedenle söz konusu token bazlı sıralama güncel bilimsel sonuç olarak kullanılmamalıdır.

Araştırmanın daha sağlam kalan ana mesajı, whitepaper'lardaki işlevsel anlatıların 2023–2024 dönemindeki piyasa risk, likidite ve faktör yapısıyla güçlü bir yapısal örtüşme göstermediğidir. Tensor faktörleri daha çok volatilite, maksimum düşüş, Sharpe oranı ve hacim gibi gerçekleşmiş piyasa özellikleriyle ilişkili görünmektedir.

Türkiye açısından çalışma, kripto varlık değerlendirmesinde yalnız whitepaper'daki vaatlerin veya proje kategorisinin finansal davranışı açıklamak için yeterli olmayabileceğini göstermesi bakımından önemlidir. Ancak bu sonuç whitepaper analizinin teknoloji, yönetişim veya proje amacı bakımından değersiz olduğu anlamına gelmez. Araştırma yalnız işlevsel anlatıların piyasa faktör yapısıyla yapısal örtüşmesini test etmektedir ve yatırım getirisi tahmini yapmamaktadır.

Bir Kripto Para Whitepaper'ı Piyasa Davranışını Gerçekten “Tahmin” Edebilir mi?

Bu çalışmadaki temel kavramın anlaşılması için önce “tahmin” kelimesinin nasıl kullanıldığını ayırmak gerekir. Araştırmacı gelecekte Bitcoin, Ethereum veya başka bir tokenın fiyatının ne olacağını tahmin etmeye çalışmamaktadır.

Çalışmanın temel sorusu şudur:

Whitepaper'larında birbirine benzer işlevler ve kullanım amaçları anlatan projeler, finansal piyasalarda da birbirine benzeyen yapısal özellikler gösteriyor mu?

Örneğin iki proje kendisini ağırlıklı olarak gizlilik teknolojisi olarak tanımlıyorsa, bu iki varlığın volatilite, işlem hacmi, maksimum düşüş veya gizil piyasa faktörlerindeki konumlarının da birbirine benzemesi beklenebilir mi?

Bu nedenle araştırmada “predict”, zaman ekseninde geleceği tahmin etmekten çok yapısal karşılık veya yapısal uyum anlamındadır.

Whitepaper nedir?

Kripto para bağlamında whitepaper, bir projenin teknik yapısını, amaçlarını, ekonomik modelini, kullanım senaryolarını veya protokol tasarımını açıklayan temel dokümandır.

Ancak çalışmanın korpusu yalnız “orijinal whitepaper” belgelerinden oluşmamaktadır. Bazı projeler için konsensüs belgeleri, protokol spesifikasyonları, teknik raporlar veya resmî teknik dokümantasyonlar da kullanılmıştır.

Bu ayrım önemlidir; çünkü farklı belge türleri aynı tür anlatı yoğunluğuna veya aynı tarihsel role sahip olmayabilir.

Anlatı ekonomisi nedir?

Narrative economics veya anlatı ekonomisi, ekonomik davranışların yalnız temel göstergeler veya matematiksel modeller tarafından değil, toplum içinde yayılan hikâyeler, açıklamalar ve ortak inanışlar tarafından da etkilenebileceğini savunan araştırma alanıdır.

Kripto para ekosisteminde “dijital altın”, “merkeziyetsiz finans”, “Web3 altyapısı”, “gizlilik parası” veya “Ethereum katili” gibi anlatılar yatırımcıların projeleri algılama biçimini etkileyebilir.

Bu makale bu anlatıların doğrudan yatırımcı duyarlılığını ölçmemekte; projelerin resmî kurucu belgelerindeki işlevsel anlatılar ile gerçekleşmiş piyasa özellikleri arasında yapısal benzerlik aramaktadır.

Çalışmada Hangi Veriler Kullanıldı?

Piyasa verileri Binance API üzerinden CCXT kütüphanesi kullanılarak elde edilmiştir.

OHLCV nedir?

OHLCV, finansal piyasa verilerinde yaygın olarak kullanılan beş temel gözlemi ifade eder:

• Open: zaman aralığının açılış fiyatı,
• High: zaman aralığındaki en yüksek fiyat,
• Low: zaman aralığındaki en düşük fiyat,
• Close: zaman aralığının kapanış fiyatı,
• Volume: işlem hacmi.

Bu araştırmada her varlık için bu beş özellik saatlik olarak izlenmiştir.

Neden z-normalizasyon uygulanıyor?

OHLCV özelliklerinin büyüklükleri birbirinden çok farklı olabilir. Örneğin Bitcoin'in fiyat düzeyi ile başka bir tokenın fiyatı veya hacim değerleri aynı ölçeğe sahip değildir.

Z-skor normalizasyonunun standart biçimi:

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

şeklindedir.

Burada \(x\) gözlenen değer, \(\mu\) ortalama ve \(\sigma\) standart sapmadır.

Çalışma her OHLCV özellik dilimini varlıklar ve zaman boyunca normalize ederek özelliklerin ortalamasını sıfıra, standart sapmasını bire yaklaştırmaktadır. Amaç, yalnız büyük sayısal ölçeğe sahip özelliklerin tensor ayrıştırmasını domine etmesini önlemektir.

Tensor Nedir ve Neden Kullanılıyor?

Tensor, matris kavramının daha fazla boyuta genişletilmiş biçimidir.

Bir vektör tek boyutlu, matris iki boyutlu bir veri yapısı olarak düşünülebilir. Tensor ise üç veya daha fazla boyutu aynı yapıda koruyabilir.

Çalışma başlangıçta piyasa verisini:

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

şeklinde tanımlar.

Burada:

• \(T\): zaman,
• \(V\): işlem platformu / venue,
• \(A\): kripto varlık,
• \(F\): piyasa özelliğidir.

Çalışmada yalnız Binance kullanıldığı için:

\[ V=1 \]

olur ve etkin yapı:

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

şeklinde üç boyuta indirgenir.

Bu yapı, zamanı, varlıkları ve OHLCV özelliklerini tek veri nesnesinde birlikte korur.

CP Tensor Ayrıştırması Nedir?

CANDECOMP/PARAFAC (CP) decomposition, yüksek boyutlu bir tensoru daha basit, rank-1 bileşenlerinin toplamı olarak yaklaşık biçimde ifade eder.

Kaynağın temel denklemi:

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

şeklindedir.

Burada:

• \(R\): ayrıştırma rankıdır,
• \(\lambda_r\): ilgili bileşenin ağırlığıdır,
• \(a_r\): zaman yönündeki faktör vektörüdür,
• \(b_r\): varlık yönündeki faktör vektörüdür,
• \(c_r\): OHLCV özellik yönündeki faktör vektörüdür,
• \(\circ\): outer product yani dış çarpımı gösterir.

Dış çarpım, vektörleri tek bir skaler değere indirmek yerine onların kombinasyonlarından daha yüksek boyutlu bir yapı oluşturur.

Faktör matrisleri

CP ayrıştırmasında:

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

zaman faktörlerini,

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

varlık faktörlerini ve:

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

piyasa özelliklerine ait faktörleri içerir.

Bu araştırma açısından özellikle önemli olan:

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

matrisidir; çünkü her kripto varlığın gizil piyasa faktörlerindeki yükünü gösterir.

Gizil faktör ne demektir?

Gizil faktör (latent factor), veri içinde doğrudan ayrı bir sütun olarak gözlenmeyen fakat çok sayıdaki gözlem arasındaki ortak değişim örüntülerinden matematiksel olarak çıkarılan bileşendir.

Örneğin çalışmanın daha sonraki analizlerinde birinci faktörün maksimum düşüş, volatilite ve Sharpe oranıyla; ikinci faktörün ise hacim ve hacim volatilitesiyle ilişkili olduğu görülmektedir.

Bunlar algoritmaya önceden “risk faktörü” veya “likidite faktörü” adıyla verilmemiştir. Yorum, faktör yükleri ile ölçülen piyasa istatistikleri arasındaki korelasyonlardan sonra yapılmıştır.

Alternating Least Squares (ALS) Ne Yapıyor?

CP faktörleri doğrudan bilinmediği için çalışma bunları Alternating Least Squares (ALS) algoritmasıyla tahmin etmektedir.

Temel fikir, faktör matrislerinden ikisini geçici olarak sabit tutup üçüncüsünü en iyi uyumu verecek biçimde güncellemek ve bu işlemi sırayla tekrar etmektir.

Kaynakta güncellemeler:

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

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

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

şeklinde verilmektedir.

Burada:

• \(X_{(n)}\): tensorun ilgili moda göre matrisleştirilmiş biçimidir,
• \(\odot\): Khatri–Rao çarpımıdır,
• \(*\): Hadamard yani eleman bazlı çarpımdır,
• \(\dagger\): Moore–Penrose pseudoinverse işlemidir.

Bu formüllerin amacı tensoru mümkün olduğunca az yeniden oluşturma hatasıyla açıklayan faktör matrislerini bulmaktır.

Rank Nasıl Seçildi?

Tensor ayrıştırmasında rank, veriyi kaç gizil bileşenle yaklaşık olarak açıklamaya çalıştığımızı ifade eder.

Çalışmanın açıklanan varyans ölçüsü:

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

şeklindedir.

Burada:

• \(\hat{X}_R\): rank-\(R\) CP modeliyle yeniden oluşturulan tensor,
• \(\|\cdot\|_F\): Frobenius normu,
• \(\bar{x}\): referans ortalama yapısıdır.

Model:

\[ EV\geq0.90 \]

hedefini karşılayacak en küçük rankı aramıştır.

Sonuç:

\[ R=2 \]

ve:

\[ EV=92.45\% \]

olarak bulunmuştur.

Rank duyarlılığı

Daha yüksek ranklarda anlatı–faktör uyumu bir miktar artmıştır; ancak en yüksek değer yaklaşık 0,094'tür. Bu da 0,65'lik orta düzey benzerlik sınırının çok altındadır.

Tucker Ayrıştırması ile Aynı Sonuç Çıkıyor mu?

Çalışma yöntemin yalnız CP seçimine bağlı olup olmadığını görmek için Tucker decomposition da uygulamıştır.

Tucker modeli:

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

şeklinde yazılır.

Burada \(G\), faktörlerin birbirleriyle etkileşimini taşıyan core tensor yani çekirdek tensordur.

İki yöntemin sonuçları çok benzerdir. Dolayısıyla v4'teki zayıf anlatı–faktör örtüşmesi yalnız CP ayrıştırmasının seçilmesinden kaynaklanıyor görünmemektedir.

Whitepaper'lar Yapay Zekâ ile Nasıl Sınıflandırıldı?

Whitepaper metinleri BART-large-MNLI kullanılarak zero-shot sınıflandırmaya tabi tutulmuştur.

Zero-shot classification, modelin bu çalışma için ayrıca elle etiketlenmiş bir kripto whitepaper eğitim veri kümesiyle yeniden eğitilmeden, önceden öğrenmiş olduğu dil bilgisi üzerinden verilen kategorileri değerlendirmesidir.

Belgeler 500 kelimelik metin parçalarına ayrılmıştır.

Her kategori için:

“This text is about [category]”

biçiminde bir hipotez değerlendirilmiştir.

Softmax olasılığı

Bir metin parçası \(t\) ve kategori \(l_k\) için olasılık:

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

şeklinde hesaplanır.

Burada:

• \(s_k\): modelin ilgili kategori için entailment skorudur,
• \(K=10\): toplam kategori sayısıdır,
• \(e\): doğal üstel fonksiyonun tabanıdır.

Softmax işlemi ham skorları toplamı 1 olan olasılık benzeri değerlere dönüştürür.

Neden yalnız en yüksek kategori seçilmiyor?

Çalışma her metin parçasını tek kategoriye zorla atamak yerine bütün kategorilerin olasılık skorlarını kullanmaktadır.

Bu yöntem teknik bir paragrafın aynı anda örneğin hem “akıllı sözleşme” hem “ölçeklenebilirlik” konularıyla ilişkili olabileceğini kısmen korumayı amaçlar.

10 Whitepaper Kategorisi

Bir varlığın whitepaper profili nasıl elde ediliyor?

Bir varlığın bütün metin parçalarındaki kategori olasılıklarının ortalaması alınır:

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

Burada:

• \(n\): kripto varlığı,
• \(k\): işlevsel kategoriyi,
• \(T_n\): ilgili whitepaper'dan elde edilen metin parçaları kümesini gösterir.

Böylece her varlık için 10 boyutlu bir anlatı profili elde edilir.

NLP Sınıflandırması Ne Kadar Güvenilir?

Bu nokta çalışmanın en önemli sınırlılıklarından biridir.

Araştırmacı BART-MNLI sonuçlarını alternatif bir DeBERTa-v3 modelinin sınıflandırmalarıyla karşılaştırmıştır.

200 rastgele metin parçasında tam birinci kategori uyuşması yalnız:

%32

olmuştur.

Cohen's kappa:

\[ \kappa=0.14 \]

olarak raporlanmıştır.

Bu düşük bir modeller arası anlaşmadır.

Bununla birlikte alternatif modelin birinci tahmininin BART modelinin ilk üç kategorisi arasında kabul edildiği daha gevşek ölçütte uyuşma:

%67

olmuştur.

Üç farklı NLP yönteminin karşılaştırılması

Bu sonuçlar whitepaper anlatısının “gerçek kategorisinin” tamamen objektif ve modelden bağımsız biçimde ölçülmediğini göstermektedir.

Medium of Exchange, DeFi ve Privacy gibi açık dilsel işaretleri bulunan kategorilerde yöntemler daha fazla anlaşırken Smart Contracts ve Store of Value gibi kategorilerde uyum daha düşüktür.

Veri azlığı sorunu

ALGO, AXS, BAND, DOT, RPL, SUSHI ve YFI için 10'dan az metin parçası bulunduğu belirtilmektedir.

Bu yedi düşük veri varlığı dışlandığında Embedding–LLM korelasyonu 0,52'ye yükselmiştir.

Dolayısıyla sınıflandırıcılar arasındaki uyuşmazlığın bir bölümü yalnız model farkından değil, bazı projeler için yetersiz belge miktarından da kaynaklanabilir.

Piyasanın Yedi Finansal Özelliği Nasıl Hesaplandı?

1. Ortalama getiri

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

Bir varlığın zaman boyunca ortalama getirisidir.

2. Volatilite

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

Getirilerin ortalama çevresinde ne kadar dağıldığını ölçer.

3. Sharpe oranı

Kaynak, saatlik veriden yıllıklaştırılmış Sharpe oranında geleneksel finansla karşılaştırılabilirlik amacıyla 252 işlem günü ve günlük 24 saat çarpanını kullanmaktadır.

Genel olarak Sharpe oranı birim volatilite başına getiriyi ölçmeye çalışır.

Kripto piyasalarının haftanın yedi günü 24 saat açık olması nedeniyle 252 günlük geleneksel finans varsayımının kripto piyasası için birebir doğal takvim olmadığı kaynakta dipnotla belirtilmektedir.

4. Maksimum düşüş

Maksimum düşüş, bir varlığın önceki zirvesinden daha sonraki dip noktasına kadar yaşadığı en büyük göreli değer kaybını ölçer.

5. Ortalama hacim

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

İncelenen dönemdeki ortalama saatlik işlem hacmini temsil eder.

6. Volatilitenin volatilitesi

Vol-of-vol, zaman içinde hesaplanan hareketli volatilite ölçüsünün kendi standart sapmasıdır.

Yalnız piyasanın ne kadar oynak olduğunu değil, oynaklığın kendisinin ne kadar değişken olduğunu ölçmeye çalışır.

7. Trend

Kaynak trendi:

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

doğrusal regresyonundaki:

\[ \beta \]

katsayısı üzerinden temsil etmektedir.

Pozitif \(\beta\) incelenen dönemde yukarı yönlü doğrusal eğilim, negatif değer aşağı yönlü eğilim anlamına gelir.

Procrustes Hizalaması Nedir?

Whitepaper anlatı matrisi ile piyasa matrisi aynı koordinat sisteminde üretilmemiştir.

Birinde sütunlar “gizlilik”, “ölçeklenebilirlik” ve “DeFi” gibi kategorileri; diğerinde volatilite, hacim veya matematiksel gizil faktörleri temsil etmektedir.

Bu nedenle matrisleri sütun sütun doğrudan karşılaştırmak anlamlı değildir.

Orthogonal Procrustes yöntemi bir temsil uzayını döndürerek diğerine mümkün olduğunca yaklaştıran ortogonal dönüşümü bulur.

Problem:

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

şeklinde tanımlanır.

Burada:

• \(A\): hizalanacak ilk temsil matrisi,
• \(B\): hedef temsil matrisi,
• \(Q\): ortogonal dönüşüm matrisi,
• \(\|\cdot\|_F\): Frobenius normudur.

Ortogonal dönüşüm, temel olarak eksenleri döndürür veya yansıtır; veriyi keyfî biçimde esnetmez.

SVD çözümü

Eğer:

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

şeklinde tekil değer ayrıştırması yapılırsa optimal dönüşüm:

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

olarak elde edilir.

Kaynağın Ek A bölümü bu sonucun iz (trace) optimizasyonu üzerinden matematiksel türetimini vermektedir.

Boyutlar Aynı Değilse Ne Oluyor?

Whitepaper iddia matrisi 10 boyutludur, CP faktör matrisi ise ana analizde yalnız 2 boyutludur.

Yüklenen v4'te küçük matrisin sütunları sıfırlarla doldurularak boyutlar eşitlenmiştir.

Örneğin 2 faktörlü matris, 10 boyutlu whitepaper uzayıyla karşılaştırılırken sekiz sıfır sütunu eklenir.

Yazar bunun φ değerini aşağı yönlü etkileyebileceğini açıkça kabul etmektedir.

Daha sonraki matched-dimension kontrolünde SVD ile boyutlar önce eşleştirildiğinde:

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

bulunmuştur.

Bu değerler zero-padding kullanılmadığında anlatı–piyasa uyumunun biraz yükseldiğini, ancak yine istatistiksel anlamlılığa ulaşmadığını göstermektedir.

Tucker Uyum Katsayısı φ Nedir?

Çalışmanın temel benzerlik ölçüsü:

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

şeklindedir.

Bu ifade kosinüs benzerliğine matematiksel olarak eşdeğerdir; ancak Pearson korelasyonundan farklı olarak veriler ortalamadan merkezlenmez.

Değer:

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

aralığındadır.

Kaynağın kullandığı yorum eşikleri

Kaynak ayrıca bu eşiklerin aslında benzer veri kümelerinden elde edilen faktör çözümlerinin karşılaştırılması için geliştirildiğini ve NLP anlatı uzayı ile finansal piyasa uzayı gibi birbirinden farklı temsil türlerine uygulanmasının orijinal doğrulama bağlamını aştığını kabul etmektedir.

Temel Sonuçlar

p-değeri ne söylüyor?

Çalışma tek yönlü permütasyon testi kullanmaktadır.

Temel işlem şöyledir:

1. Gerçek veride gözlenen \(\phi^*\) hesaplanır.
2. Varlık eşleşmeleri rastgele karıştırılır.
3. Her karıştırmada yeni bir \(\phi^{(b)}\) hesaplanır.
4. Rastgele sonuçların gözlenen sonuçtan ne sıklıkla büyük veya eşit olduğu ölçülür.

Kaynak:

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

biçimindeki gösterimi kullanmaktadır.

Burada \(B=1000\) permütasyondur.

Claims–Statistics için \(p=0.339\) ve Claims–Factors için \(p=0.751\) olduğundan gözlenen zayıf uyum değerlerinin rastgele eşleşmelere kıyasla anlamlı biçimde yüksek olduğu gösterilememiştir.

Neden “İlişki Yok” Sonucu Çıkarılamıyor?

İstatistiksel anlamlılık bulunmaması tek başına ilişkinin kesinlikle sıfır olduğunu kanıtlamaz.

Çalışmanın güç analizi bunu özellikle göstermektedir:

37 ortak varlıkla çalışma, \(\phi=0.30\) gibi zayıf gerçek bir etki varsa bunu yalnız yaklaşık %14 olasılıkla tespit edebilmektedir.

Buna karşılık:

\[ \phi\geq0.70 \]

düzeyindeki güçlü bir ilişki için güç yaklaşık %90'dır.

Dolayısıyla çalışma güçlü anlatı–piyasa uyumunu reddetmekte daha güvenlidir; zayıf uyumu sıfır uyumdan ayırmakta ise yetersizdir.

Bootstrap Güven Aralıklarının Sorunu

Kaynak %95 güven aralıkları için 1.000 bootstrap yeniden örneklemesi kullanmıştır.

Fakat yalnız 37 varlığın bulunduğu küçük örneklemde aynı varlıkların bootstrap sırasında tekrar tekrar seçilmesi Procrustes hizalamasını yapay biçimde iyileştirebilmektedir.

Kaynak bootstrap ortalamasının nokta tahmininden:

• Claims–Statistics karşılaştırmasında yaklaşık %29,
• Claims–Factors karşılaştırmasında yaklaşık %37

daha yüksek olduğunu raporlamaktadır.

Bu nedenle makaledeki güven aralıkları “kesin sınırlar” değil, kaynak yazarın ifadesiyle daha çok gösterge niteliğinde değerlendirilmelidir.

Zaman İçinde Sonuç Değişiyor mu?

Bütün dönemlerde uyum zayıf aralıkta kalmıştır. Bu durum yüklenen v4'teki ana sonucun tek bir kısa piyasa döneminden kaynaklanmadığını düşündürmektedir.

Daha geniş kurumsal anlatılar kullanıldığında ne oldu?

Yazar whitepaper yerine resmî dokümantasyon, foundation güncellemeleri, yönetişim forumları ve proje bloglarını içeren ek bir kurumsal anlatı korpusu oluşturmuştur.

Şubat 2025 anlık görüntüsünde 14 proje için 627 belge ve 367.071 kelime bulunmaktadır. Tam piyasa verisi olan 12 varlıkla altı kayan pencerede ortalama:

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

bulunmuştur.

Bu sonuç whitepaper'a kıyasla anlatı–piyasa uyumunu orta veya güçlü düzeye taşımamıştır.

Bununla birlikte yalnız tek tarihli anlatı görüntüsü kullanıldığı için projenin anlatısının zaman içinde değişmesi gerçek anlamda ölçülmemiştir.

Alternatif Uyum Ölçütleri Aynı Sonucu Veriyor mu?

Dört alternatif yöntemde de whitepaper içeren karşılaştırmalar anlamlılığa ulaşmazken, piyasa istatistikleri–piyasa faktörleri karşılaştırması anlamlı kalmıştır.

Bu durum v4 ana bulgusunun yalnız Tucker φ ölçüsünün özel matematiksel özelliklerinden kaynaklanmadığına yönelik destek sağlamaktadır.

Piyasa Faktörleri Gerçekte Neyi Temsil Ediyor?

Yazar Faktör 1'i risk-ayarlı performans veya istikrar boyutu olarak yorumlamaktadır. Maksimum düşüş ve volatiliteyle negatif, Sharpe oranıyla pozitif ilişkilidir.

Faktör 2 ise ortalama hacim ve hacim volatilitesiyle daha fazla ilişkili olduğu için likidite/büyüklük boyutu olarak yorumlanmaktadır.

Buna karşılık 10 whitepaper kategorisi ile iki faktör arasındaki toplam 20 korelasyonun hiçbiri:

\[ \alpha=0.05 \]

düzeyinde istatistiksel anlamlılığa ulaşmamıştır.

En güçlü değer Smart Contracts ile Faktör 1 arasındaki:

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

korelasyonudur ve bu da zayıf, anlamlı olmayan bir ilişkidir.

Tensor Ön İşleme Sonucu Değiştiriyor mu?

Çalışma üç farklı tensor oluşturma yöntemi kullanmıştır:

1. normalize edilmiş özgün OHLCV düzeyleri,
2. logaritmik getiriler,
3. varlık bazında z-skorlanmış özellikler.

Bu farklı yapılardan çıkarılan faktörlerin birbirleriyle uyumu:

• özgün – getiri: \(\phi=0.14\)
• özgün – z-score: \(\phi=0.19\)
• getiri – z-score: \(\phi=0.11\)

olarak raporlanmıştır.

Bu sonuç, gizil faktörlerin kesin yapısının tensorun nasıl hazırlandığına duyarlı olduğunu göstermektedir.

Dolayısıyla “Faktör 1 kesin olarak şu ekonomik faktördür” gibi aşırı kesin yorumlardan kaçınılmalıdır.

Bununla birlikte whitepaper anlatısı ile piyasa yapısı arasındaki uyum bütün ön işleme seçeneklerinde düşük kalmıştır.

CP Sonuçları Rastgele Başlangıca Duyarlı mı?

ALS algoritması rastgele başlangıç kullandığı için araştırmacı 10 farklı random seed ile rank-2 modeli yeniden çalıştırmıştır.

Faktör matrisleri arasındaki ortalama uyum:

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

ve aralık:

\[ [0.9997,\ 1.000] \]

olarak bulunmuştur.

Bu, yüklenen v4'te kullanılan tensor ve model altında rastgele başlangıcın sonuç üzerinde çok az etkisi olduğunu göstermektedir.

Zamansal faktör kararlılığı

İki yıllık örneklem ikiye ayrılmıştır:

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

İki yarıdaki faktörlerin uyumu:

\[ \phi=0.933 \]

olarak bulunmuştur.

Yıl 1 – tam örnek:

\[ \phi=0.977 \]

Yıl 2 – tam örnek:

\[ \phi=0.987 \]

sonucunu vermiştir.

Bu ölçüm, aynı tensor oluşturma tercihleri altında faktör yapısının iki yıllık zaman diliminin iki yarısında oldukça kararlı olduğunu göstermektedir.

v4'te Raporlanan Fakat Daha Sonra Geri Çekilen Token Bazlı Bulgular

Yüklenen v4 sürümünde leave-one-out analizinde aşağıdaki sonuçlar raporlanmıştır:

Önemli sürüm uyarısı: Bu sıralama artık çalışmanın güncel bilimsel sonucu değildir. Daha sonraki arXiv sürümü, önceki korpusta yanlış veya başarısız indirilen whitepaper belgeleri bulunduğunu ve uzmanlaşmış tokenların daha yüksek uyum gösterdiği yönündeki sıralamanın içerik doğrulamasından sonra ortadan kalktığını bildirmektedir.

Dolayısıyla XMR, CRV veya YFI'nin whitepaper anlatılarının piyasa davranışını diğer projelerden daha iyi “tahmin ettiği” güncel olarak doğrulanmış bir sonuç değildir.

v4 Whitepaper Korpusunda Belge Hatası

Yüklenen sürümün kendi Ek D bölümünde önemli bir veri kalite sorunu açıkça kaydedilmiştir.

ATOM için GitHub fallback mekanizmasıyla alınan belgenin Cosmos Hub whitepaper'ı yerine Binance Smart Chain whitepaper'ı olduğu belirtilmektedir.

v4 yazar değerlendirmesi bunun yalnız 37 varlıktan birini etkilediğini ve ana zayıf uyum sonucunu değiştirmesinin beklenmediğini söylemektedir.

Ancak daha sonraki çalışma sürümleri korpus doğrulamasını genişleterek önceki entity-level sonuçların belge kirlenmesine daha duyarlı olduğunu ortaya koymuştur.

Whitepaper Kategorilerinden Hangileri v4'te Uyuma Daha Fazla Katkı Verdi?

Bu tablo v4 korpusundan elde edildiği için token düzeyindeki kirlenme uyarısından bağımsız kabul edilmemelidir. Kategori etkileri küçük büyüklüktedir ve ana anlatı–piyasa uyumunun genel olarak zayıf olduğu gerçeğini değiştirmemektedir.

Bitcoin Ana Sonucu Tek Başına Sürüklüyor mu?

Bitcoin CP faktör uzayında çok belirgin bir uç değerdir. v4'te Faktör 1 yükü yaklaşık:

\[ 28.5 \]

olarak raporlanmıştır; diğer varlıkların ortalaması yaklaşık sıfır civarındadır.

Bu nedenle araştırmacı Bitcoin'in sonucu tek başına sürükleyip sürüklemediğini ayrıca incelemiştir.

v4 leave-one-out analizinde Bitcoin'in uyum etkisi yaklaşık:

\[ -0.004 \]

olarak bulunmuştur.

Bu değer, Bitcoin'in factor uzayında büyük bir istatistiksel uç değer olmasına rağmen whitepaper–piyasa uyumsuzluğu sonucunun yalnız Bitcoin'den kaynaklanmadığını düşündürmektedir.

Ölçüm Hatası Zayıf Uyumu Açıklıyor Olabilir mi?

NLP modelleri arasındaki düşük uyum, gerçek anlatı profillerinin önemli ölçüde ölçüm hatası içerdiği anlamına gelebilir.

Kaynak Spearman attenuation correction yaklaşımıyla:

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

biçiminde bir düzeltme değerlendirmesi yapmaktadır.

Claims güvenilirliği:

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

ve piyasa güvenilirliği varsayımı:

\[ \rho_{YY}=0.95 \]

kullanıldığında Claims–Factors düzeltilmiş uyumu yaklaşık:

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

olarak hesaplanmıştır.

Bu değer yine 0,65 orta uyum sınırının oldukça altındadır.

Ancak bu düzeltme de güvenilirlik parametrelerinin nasıl tahmin edildiğine bağlıdır ve gerçek anlatı ölçüm hatasını kesin olarak çözmez.

Pozitif Kontrolde Döngüsellik Sorunu Var mı?

Piyasa istatistikleri ve tensor faktörleri aynı OHLCV verisinden üretildiği için aralarında anlamlı ilişki bulunması kısmen mekanik olabilir.

Kaynak bu sorunu azaltmak için örneklemi iki döneme ayırmıştır:

• birinci yıldan CP faktörleri,
• ikinci yıldan piyasa istatistikleri

oluşturulmuştur.

Bu bağımsız zaman parçaları arasındaki uyum:

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

olarak bulunmuştur.

Bu sonuç nominal %5 eşiğinin hemen üzerindedir. Dolayısıyla “kesin anlamlı pozitif kontrol” olarak yorumlanmamalıdır; ancak hizalama sisteminin farklı zaman örneklerinden üretilmiş piyasa temsillerinde orta büyüklükte yapısal benzerlik yakalayabildiğini göstermektedir.

Çalışmanın Desteklediği Sonuçlar

• Yüklenen v4'te whitepaper anlatısı ile piyasa istatistikleri arasındaki Tucker uyumu zayıftır: φ=0,246.
• Whitepaper anlatısı ile rank-2 tensor faktörleri arasındaki uyum çok zayıftır: φ=0,058.
• Bu iki whitepaper tabanlı karşılaştırma permütasyon testinde anlamlı değildir.
• Aynı piyasa verisinin farklı özetlerinden oluşan istatistikler ve tensor faktörleri arasında zayıf fakat istatistiksel olarak anlamlı bir ilişki bulunmaktadır.
• CP ve Tucker ayrıştırması v4'te benzer anlatı–faktör sonuçları vermektedir.
• Rank 1–5 aralığında anlatı–faktör uyumu sürekli zayıf kalmaktadır.
• Altı kayan zaman penceresinde anlatı–piyasa uyumu zayıf aralıkta kalmaktadır.
• Alternatif RV, distance correlation, CCA ve PLS ölçümleri de whitepaper içeren karşılaştırmalarda anlamlı uyum göstermemektedir.
• Tensor faktörleri risk, volatilite ve likidite gibi gerçekleşmiş piyasa özellikleriyle ilişkilidir.
• Çalışmanın örneklem gücü güçlü anlatı–piyasa uyumunu reddetmeye yeterli, zayıf uyum ile sıfır uyumu kesin ayırmaya ise yetersizdir.

Çalışmanın Desteklemediği Genellemeler

• Whitepaper'ların gelecekteki kripto fiyatlarını tahmin edemediği sonucu bu çalışmadan çıkarılamaz; çalışma fiyat tahmini yapmamaktadır.
• Whitepaper içeriğinin piyasayla kesinlikle hiçbir ilişkisi olmadığı kanıtlanmamıştır.
• p>0,05 sonucu “ilişki tam olarak sıfırdır” anlamına gelmez.
• Whitepaper analizi teknolojik kalite, güvenlik veya proje amacı açısından değersizdir sonucu çıkarılamaz.
• Çalışma yatırım stratejisi veya alım-satım sinyali geliştirmemektedir.
• Bir tokenın belirli bir whitepaper kategorisine girmesi onun daha yüksek veya düşük yatırım getirisi sağlayacağını göstermez.
• Yalnız Binance verisine dayanan sonuçların bütün borsalarda aynı olacağı gösterilmemiştir.
• İki yıllık piyasa döneminin uzun vadeli bütün kripto tarihini temsil ettiği söylenemez.
• Genel amaçlı zero-shot NLP modellerinin kripto terminolojisini hatasız sınıflandırdığı gösterilmemiştir.
• v4'teki XMR, CRV, YFI, SOL gibi token bazlı olumlu sıralamalar güncel bilimsel sonuç olarak kullanılamaz; sonraki sürüm bunları korpus kontaminasyonu bağlamında geri çekmiştir.

Başlıca Sınırlılıklar

1. Küçük ortak örneklem

Temel hizalama yalnız 37 varlıkla yapılmaktadır. Bu örneklem güçlü etkiler için yeterli olsa da zayıf ve orta büyüklükteki ilişkileri tespit etme kapasitesi sınırlıdır.

2. Whitepaper'lar statik belgeler

Birçok whitepaper projenin ilk yıllarında yazılmıştır. Buna karşılık piyasa verisi 2023–2024 dönemindendir. Projelerin yıllar içinde değişen anlatıları ana whitepaper tarafından temsil edilmeyebilir.

3. Taksonomi araştırmacı tarafından tanımlanmıştır

10 kategori kripto ekosistemi için makul olmakla birlikte tek olası sınıflandırma değildir. Daha ince veya farklı bir taksonomi başka ilişkileri ortaya çıkarabilir.

4. Zero-shot sınıflandırmada domain shift

BART-MNLI genel doğal dil çıkarımı üzerinde eğitilmiştir. “AMM”, “sharding”, “tokenomics” ve benzeri kriptoya özgü ifadelerin genel amaçlı model tarafından her zaman doğru kavranması garanti değildir.

5. Tek piyasa veri sağlayıcısı

OHLCV verileri Binance'den alınmıştır. Farklı borsalardaki likidite ve mikro yapı farklılıkları modele dahil edilmemektedir.

6. Tensor faktörleri ön işlemeye duyarlıdır

OHLCV düzeyleri, getiriler ve varlık bazlı z-score kullanıldığında elde edilen faktörler arasında yalnız düşük uyum bulunmuştur. Bu nedenle gizil faktörlerin ekonomik yorumu kesin kabul edilmemelidir.

7. Procrustes boyut eşleştirmesi

v4 ana analizinde kullanılan sıfır sütun ekleme yöntemi standart olmayan ve φ değerini aşağı çekebilecek bir yaklaşımdır. Kaynak bunu açıkça sınırlılık olarak kabul etmektedir.

8. Bootstrap yanlılığı

Küçük örneklemde tekrarlı varlıkların Procrustes uyumunu yapay biçimde yükseltebilmesi nedeniyle güven aralıkları tam kesinlikte değerlendirilmemelidir.

9. Whitepaper korpusunda içerik kalitesi

Yüklenen v4'ün kendi ekinde ATOM için yanlış whitepaper kullanıldığı bilinmektedir. Sonraki arXiv sürümlerinde daha kapsamlı korpus kontaminasyonu tespit edildiğinden özellikle v4'ün varlık bazlı sonuçları güvenilir güncel bulgu olarak kullanılmamalıdır.

Türkiye Açısından Nasıl Okunmalı?

Türkiye'de kripto varlıkları araştıran yatırımcılar, akademisyenler veya finansal teknoloji geliştiricileri açısından çalışmanın en önemli mesajı, bir tokenın kendisini nasıl tanımladığı ile piyasada hangi risk ve likidite özelliklerini gösterdiğinin aynı şey olmadığıdır.

Örneğin iki proje de “ölçeklenebilir akıllı sözleşme platformu” olarak tanımlanabilir; buna rağmen piyasa davranışları farklı makro koşullar, Bitcoin korelasyonu, likidite, token arzı, yatırımcı yapısı ve piyasa mikro yapısından etkilenebilir.

Bu nedenle whitepaper analizi teknolojik ve işlevsel değerlendirme için kullanılabilirken yatırım davranışının ayrı piyasa verileriyle incelenmesi gerekir.

Ancak çalışma Türkiye merkezli yatırımcı davranışı, Türkiye'deki borsalar veya Türk lirası cinsinden kripto piyasaları üzerinde deney yapmamıştır. Yerel sonuçlar için ayrıca doğrulama gereklidir.

Kaynak ve Yöntem Notu

Yüklenen sürümün özgün başlığı: Do Whitepaper Claims Predict Market Behavior? Evidence from Cryptocurrency Factor Analysis.

Yazar: Murad Farzulla.

Yüklenen sürümdeki kurumlar: Dissensus AI, London, UK; King's College London, London, UK.

Yazar sayısı: Tek yazarlı çalışma.

Eş katkı: Uygulanabilir değildir.

Sorumlu yazar: Kaynakta Murad Farzulla yıldız işaretiyle correspondence yazarı olarak gösterilmiştir.

ORCID: 0009-0002-7164-8704.

Working paper serisi: Dissensus AI Working Paper Series.

Rapor numarası: DAI-2508.

ArXiv kimliği: arXiv:2601.20336.

Yüklenen dosya: arXiv:2601.20336v4.

Yüklenen sürüm tarihi: 14 Şubat 2026.

ArXiv DOI: 10.48550/arXiv.2601.20336.

Yüklenen sürümün kaynak türü: Working paper / arXiv preprint.

Hakemlik durumu: Yüklenen v4 hakemli nihai dergi makalesi değildir. Kasım 2026 güncel yazar/laboratuvar kaydında çalışma Financial Innovation için hakem değerlendirmesi ve major-revision sürecinde gösterilmektedir; kabul edilmiş nihai yayın doğrulanmamıştır.

Önemli sürüm değişikliği: ArXiv kaydı v4'ten sonra revize edilmiştir. Güncel v6 sürümü 11 Temmuz 2026 tarihlidir ve başlığı “Are Whitepaper Claims Reflected in Market Structure? A Contamination-Aware Pipeline and a Power-Limited Null” biçimindedir.

Güncel sürümün temel düzeltmesi: v4'te raporlanan bazı token düzeyindeki anlatı–piyasa sıralamalarının whitepaper korpusu kontaminasyonundan etkilendiği daha sonraki sürümde belirtilmiş ve bu sıralama bilimsel bulgu olarak geri çekilmiştir. Bu Verianla metninde ilgili v4 sonuçları yalnız tarihsel sürüm bilgisi olarak gösterilmiştir.

Ana piyasa veri kaynağı: Binance API; CCXT kütüphanesi.

Piyasa dönemi: 1 Ocak 2023 – 31 Aralık 2024.

Piyasa varlıkları: 49.

Whitepaper/teknik doküman: Yüklenen v4'te 38.

Temel ortak örneklem: 37 varlık.

Zaman noktaları: 17.543 saatlik gözlem.

Piyasa özellikleri: Open, High, Low, Close, Volume.

Finansal özet istatistikleri: Ortalama getiri, volatilite, Sharpe oranı, maksimum düşüş, ortalama hacim, volatilitenin volatilitesi ve trend.

NLP yöntemi: BART-large-MNLI zero-shot sınıflandırma.

Alternatif NLP doğrulaması: DeBERTa-v3, sentence embedding ve Ministral-3 tabanlı sınıflandırma kontrolleri.

Whitepaper kategori sayısı: 10.

Tensor yöntemi: CP/CANDECOMP-PARAFAC; robustness için Tucker decomposition.

CP rankı: 2.

Açıklanan varyans: %92,45.

Temel hizalama: Orthogonal Procrustes rotation.

Ana benzerlik ölçüsü: Tucker's Congruence Coefficient (φ).

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

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

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

İstatistiksel çıkarım: 1.000 permütasyonlu tek yönlü permütasyon testi; 1.000 yeniden örneklemeli bootstrap güven aralıkları.

Güç sınırı: n=37 örneklem yaklaşık φ≥0,70 düzeyindeki güçlü uyumu yüksek güçle tespit edebilir; φ≈0,30 düzeyindeki zayıf etkiler için güç düşüktür.

Bootstrap uyarısı: Kaynak, küçük örneklem ve Procrustes hizalaması nedeniyle bootstrap güven aralıklarında önemli yukarı yönlü yanlılık bulunduğunu bildirmektedir.

Whitepaper sınıflandırma güvenilirliği: BART–DeBERTa exact top-1 uyumu %32, Cohen's κ=0,14; gevşek top-3 uyumu %67.

Belge kalite sorunu: v4 Ek D, ATOM için Cosmos Hub yerine Binance Smart Chain whitepaper'ının analiz edildiğini açıkça belirtmektedir. Sonraki sürüm korpus kalite kontrolünü daha kapsamlı hale getirmiştir.

Reprodüksiyon: Kaynak random seed 42, Python 3.11+, NumPy, SciPy, TensorLy, scikit-learn ve Hugging Face Transformers kullandığını belirtmektedir.

Kod ve işlenmiş veriler: Kaynak, studiofarzulla/tensor-defi GitHub deposunu reprodüksiyon materyali olarak göstermektedir.

Kod lisansı: PDF deklarasyonunda reprodüksiyon kodunun MIT License altında yayımlandığı belirtilmektedir.

Finansman: Araştırma dış finansman almamıştır; hesaplama kaynaklarının King's College London tarafından sağlandığı belirtilmektedir.

Çıkar çatışması: Yazar competing interests bulunmadığını beyan etmektedir.

AI yardımı: Kaynak, Claude (Anthropic) sisteminin taslak oluşturma, kod inceleme ve istatistiksel anlatımda yardımcı olduğunu; araştırma tasarımı, veri analizi ve yorumların sorumluluğunun yazara ait olduğunu belirtmektedir.

Yazar katkısı: Sole author.

Veri erişilebilirliği: Binance/CCXT piyasa verileri ve resmî proje dokümanları kamusal kaynaklardan; işlenmiş veriler ve NLP çıktıları reprodüksiyon deposunda sunulmuştur.

Şekil 1: Üç NLP sınıflandırma yönteminin 10 kategorideki ortalama skorlarını karşılaştırmaktadır.

Şekil 2: Bir zaman noktasındaki z-normalize edilmiş piyasa tensor kesitini göstermektedir.

Şekil 3: Varlıkları rank-2 CP faktör uzayında göstermekte; BTC, GALA ve SC'nin istatistiksel uç değerler olduğu belirtilmektedir.

Şekil 4: v4 whitepaper iddia matrisinin 38 varlık × 10 kategori ısı haritasıdır.

Şekil 5: CP rankı, açıklanan varyans ve anlatı–faktör uyumu arasındaki duyarlılığı göstermektedir.

Şekil 6 ve Tablo 10: v4 entity-level leave-one-out etkilerini göstermektedir. Bu bölümün token sıralaması daha sonraki sürümde korpus kontaminasyonu nedeniyle güvenilir bulgu olarak korunmamıştır.

Şekil 7 ve Tablo 11: Whitepaper kategorilerinin v4 ablation tabanlı uyum etkilerini göstermektedir.

Şekil 8: Piyasa istatistikleri ile faktörler arasında anlamlı korelasyonlar bulunurken whitepaper kategori–faktör çiftlerinde anlamlı korelasyon bulunmadığını göstermektedir.

Şekil 9: Üç NLP yönteminin kategori bazındaki korelasyonlarını göstermektedir.

Bilimsel yorum sınırı: Yüklenen v4, kripto whitepaper'larındaki işlevsel anlatıların 2023–2024 piyasa faktör yapısıyla güçlü bir yapısal örtüşme göstermediğini desteklemektedir. Örneklemin sınırlı gücü nedeniyle zayıf uyum ile hiçbir uyum arasındaki fark kesin olarak belirlenememektedir. Bu çalışma fiyat tahmin modeli veya yatırım tavsiyesi değildir.