AI-оценка токеномики проекта
Токеномика — не маркетинг. Это система с эмиссионным расписанием, механизмами утилизации токена, vesting-клиффами для инсайдеров и динамикой supply/demand. Ручная оценка на основе whitepaper пропускает скрытые риски: cliff unlocks, wash trading, манипуляцию through AMM.
Задачи, которые решает AI-оценка
- Автоматический разбор whitepaper и tokenomics-документов через LLM + structured extraction
- Симуляция token economy под разными сценариями спроса
- Выявление манипуляций с ценой и объёмом на on-chain данных
- Скоринг проекта по многомерной модели риска
Глубоко: симуляция токен-экономики
Это самый ценный компонент, который практически не делают вручную из-за сложности.
Агент-ориентированное моделирование (ABM)
Токен-система — это популяция агентов с разным поведением: holders, traders, liquidity providers, стейкеры, команда с vesting. Моделируем через Mesa (Python ABM framework) или кастомный симулятор.
Каждый класс агентов параметризован:
- Команда: vesting schedule (cliff + linear), исторические данные о dump-паттернах схожих проектов
- Retail: price-sensitive selling pressure, описываемый функцией
sell_prob = sigmoid(price_change_pct * sensitivity) - LP: поведение при impermanent loss > threshold
Симуляция прогоняется 10 000 раз с Bootstrap-сэмплированием параметров (Monte Carlo). На выходе — распределение возможных price paths, вероятность "дна" ниже listing price в 6-месячном горизонте, инфляционное давление от unlocks.
На реальном кейсе (DeFi lending протокол, $40M raise) симуляция выявила, что комбинация Q3 team cliff unlock + staking APY снижение через 90 дней создаёт sell pressure ~23% circulating supply в двухнедельном окне — критический риск, который команда не видела в своей spreadsheet-модели.
On-chain аномалии
Через Dune Analytics API или прямые запросы к Archive Node (Ethereum, BSC, Solana через Helius) строим фичи:
- Wash trading score: автокорреляция volume vs. price при закрытых wallet кластерах (graph clustering через NetworkX)
- Concentration risk: Gini-коэффициент распределения токена, топ-10 holder %
- Exchange flow: баланс inflow/outflow на CEX кошельках как leading indicator давления
- Smart money tracking: движения кошельков, исторически связанных с VC unlocks
Anomaly detection: Isolation Forest на временны́х рядах on-chain метрик. Threshold настраивается под false positive rate < 5%.
LLM-парсинг whitepaper
GPT-4o или Claude-3.5 с structured output (JSON schema) извлекает из whitepaper:
- Полную таблицу allocation по категориям
- Vesting schedules с датами
- Описание utility и demand drivers
- Governance механизмы
Accuracy на тестовой выборке 150 whitepaper: 91% корректное извлечение allocation таблиц, 84% — vesting schedules (цифры часто описаны текстом, а не таблицами). Валидация через cross-check с on-chain данными при наличии запущенного токена.
Скоринговая модель
| 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, use cases |
| Team & vesting | 15% | Cliff length, team allocation % |
| On-chain health | 15% | Wash trading score, holder concentration |
Итоговый score [0–100] калиброван на исторических данных 500+ запущенных токенов с известными исходами. AUC-ROC предсказания "underperformance vs. BTC через 12 месяцев" — 0.68 (значимо выше случайного, но проект сам по себе не гарантия).
Процесс и сроки
- Сбор данных — whitepaper, smart contract ABI, on-chain history
- Structured extraction — LLM-парсинг + ручная верификация ключевых параметров
- ABM-симуляция — калибровка под конкретный протокол
- On-chain analytics — аномалии, концентрация, flows
- Отчёт — скоринг с SHAP-декомпозицией, red flags, сценарии
Одиночная оценка проекта: 2–4 недели. Автоматизированный pipeline скоринга для фонда (пакетная обработка новых проектов): 3–5 месяцев разработки.