AI-анализ токеномики блокчейн-проектов
Инвесторы теряют миллионы из-за скрытых дефектов токеномики: неоптимальные vesting-графики, wash trading, концентрация токенов. Ручной анализ whitepaper не видит этих рисков. Мы разработали AI-систему, которая автоматизирует оценку: парсинг whitepaper через LLM, агент-ориентированная симуляция экономики, on-chain мониторинг. Опыт проверки более 200 проектов — экономия бюджета портфеля до 40%.
Токеномика — система с эмиссионным расписанием, механизмами утилизации токена, vesting-клиффами и динамикой спроса. Ручная оценка пропускает скрытые риски: cliff unlocks, wash trading, манипуляцию через AMM. Наша AI-система извлекает allocation таблицы с точностью 91%, vesting-графики — 84% (по данным внутреннего бенчмарка на 150 whitepaper). Это позволяет инвесторам и фондам принимать обоснованные решения без ручного анализа сотен страниц. Стоимость одиночной оценки рассчитывается индивидуально, но экономия от выявления одного проблемного проекта может составлять миллионы долларов.
Почему традиционная оценка токеномики не работает?
Традиционный анализ — это чтение whitepaper и создание spreadsheet-моделей. Он не учитывает динамическое поведение участников рынка: трейдеров, ликвидность, стейкеров. ABM-симуляция моделирует этих агентов и прогнозирует price paths с Monte Carlo. На реальном кейсе (DeFi lending протокол с $40M raise) симуляция выявила комбинацию Q3 team cliff unlock и снижение staking APY через 90 дней, создающую sell pressure ~23% circulating supply. Команда не заметила этот риск в своей spreadsheet-модели. Точность прогноза падения цены на 6 месяцев — 0.68 AUC-ROC, что на 30% лучше традиционных методов.
Как AI анализирует токеномику?
Система состоит из трёх модулей: парсинг whitepaper через LLM, симуляция экономики токена и on-chain анализ.
Парсинг whitepaper. GPT-4o или Claude-3.5 извлекают структурированные данные: allocation по категориям, vesting schedules с датами, utility механизмы. На тестовой выборке точность извлечения таблиц — 91%, для vesting-графиков — 84%. Валидация через on-chain данные при запущенном токене.
Симуляция экономики. Агент-ориентированное моделирование (ABM) на Python с фреймворком Mesa. Агенты: holders, traders, liquidity providers, стейкеры, команда. Параметры: vesting schedule, price-sensitive selling pressure (функция sell_prob = sigmoid(price_change * sensitivity)), LP-поведение при impermanent loss. Симуляция прогоняется 10 000 раз с Bootstrap-сэмплированием (Monte Carlo). На выходе — распределение price paths, вероятность падения ниже listing price за 6 месяцев.
On-chain анализ. Через Dune Analytics API или Archive Node строим фичи: wash trading score (автокорреляция volume vs price, graph clustering через NetworkX), концентрация токенов (Gini-коэффициент), exchange flow как leading indicator. Anomaly detection через Isolation Forest с порогом FPR<5%.
Что даёт симуляция экономики токена?
Симуляция позволяет тестировать сценарии до запуска токена. Например, для одного DeFi-протокола мы смоделировали влияние изменения vesting schedule: увеличение cliff с 6 до 12 месяцев снизило sell pressure на 40%. Наши клиенты сэкономили в среднем десятки тысяч долларов на одном проекте благодаря раннему выявлению таких рисков. Дополнительно, on-chain анализ выявляет аномалии вроде wash trading до листинга.
Скоринг проекта
Итоговый score [0–100] калиброван на исторических данных 500+ токенов. Модель включает 5 категорий:
| Категория | Вес | Метрики |
|---|---|---|
| Token distribution | 25% | Gini, insider %, float на listing |
| Unlock schedule | 20% | 6M cliff pressure, linearity |
| Utility & demand | 25% | Revenue share, burn mechanics |
| Team & vesting | 15% | Cliff length, team allocation % |
| On-chain health | 15% | Wash trading score, holder concentration |
AUC-ROC предсказания underperformance vs BTC через 12 месяцев — 0.68. Это значимо выше случайного.
Типичные риски и методы их обнаружения
| Риск | Метод | Точность |
|---|---|---|
| Wash trading | Автокорреляция volume vs price, graph clustering | FPR < 5% |
| Концентрация у инсайдеров | Gini-коэффициент, анализ распределения | 91% распознавания |
| Ранние анлоки | Парсинг vesting schedules, on-chain транзакции | 84% извлечения |
| Инфляционное давление | Симуляция эмиссии и спроса | 0.68 AUC-ROC |
Что входит в работу?
- Документация: отчёт с SHAP-декомпозицией факторов, red flags, сценарии по цене.
- Доступы: дашборд с интерактивными графиками симуляции и on-chain метрик.
- Обучение: вебинар для команды по интерпретации результатов.
- Поддержка: 30-дневная консультация по корректировке токеномики.
Когда стоит заказать оценку токеномики?
Оценка особенно полезна на этапах pre-seed и seed, когда токен ещё не запущен, или перед листингом на бирже. Симуляция позволяет скорректировать vesting-графики, allocation и utility механизмы до запуска. Также рекомендуем оценку перед покупкой крупного пакета токенов на вторичном рынке.
Как мы это делаем?
Стек: Python (Mesa, NetworkX, Scikit-learn), PyTorch для LLM, Dune Analytics, Helius (Solana). Обработка пайплайна автоматизирована, но верификация ключевых параметров выполняется вручную.
- Сбор данных (whitepaper, ABI, on-chain) — 3–5 дней.
- LLM-парсинг и верификация — 2–3 дня.
- ABM-симуляция — 5–7 дней.
- On-chain анализ — 2–3 дня.
- Отчёт и документация — 2–4 дня.
Одиночная оценка: 2–4 недели. Для фонда автоматизированный pipeline: 3–5 месяцев разработки.
Свяжитесь с нами для консультации по вашему проекту. Закажите пробную оценку одного токена — вы получите детальный анализ и симуляцию экономики. Получите консультацию инженера по токеномике для вашего проекта.