💰 quantitative finance

Are Whitepaper Claims Reflected in Market Structure? A Contamination-Aware Pipeline and a Power-Limited Null

Diese Arbeit präsentiert eine kontaminationsbewusste Pipeline, die aufzeigt, dass ein zuvor berichtetes Signal einer Ausrichtung zwischen den Narrativen von Kryptowährungs-Whitepapern und der Marktstruktur ein Artefakt von Datenfehlern war, während eine nachfolgende Analyse eines verifizierten Korpus keine signifikante Entsprechung findet, obgleich eine geringe Messreliabilität ein Ausschluss einer schwachen Ausrichtung verhindert.

Ursprüngliche Autoren: Murad Farzulla

Veröffentlicht 2026-07-14

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Murad Farzulla

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, ein riesiges Puzzle zu lösen, bei dem eine Hälfte ein Whitepaper ist (das schicke Versprechen eines Projekts, was seine Kryptowährung tun wird) und die andere Hälfte der Markt (wie sich diese Münze in der realen Welt tatsächlich verhält). Die große Frage lautet: Stimmen die Versprechen im Whitepaper mit der Realität des Marktes überein?

Dieses Papier ist wie eine Detektivgeschichte, in der der Ermittler eine superpräzise Maschine aufbaut, um diese beiden Hälften miteinander zu vergleichen. Aber bevor sie überhaupt das Puzzle betrachten konnten, mussten sie ein massives Chaos in ihren Daten beseitigen.

Das „Fake-Quittung“-Desaster

Zuerst fand der Detektiv heraus, dass sein Datenstapel kontaminiert war. Etwa ein Viertel der Dokumente, von denen er glaubte, es seien Whitepapers, war in Wirklichkeit Müll. Einige waren nur leere „Fehlgeschlagen beim Download“-Dateien, und andere waren völlig falsche Dokumente (wie das Lesen der Bedienungsanleitung für ein „Cosmos“-Projekt, während man eigentlich den Text der „Binance Smart Chain“ vor sich hatte).

Als sie diesen Müll aussortierten, verschwand ein unheimliches Muster, das sie zuvor beobachtet hatten. Sie hatten zuvor geglaubt, dass „spezialisierte“ Coins (wie Privacy-Coins) besser mit ihrem Marktverhalten übereinstimmten als „breite“ Infrastruktur-Coins. Doch sobald die Fake-Quittungen weggeworfen wurden, verschwand dieses Muster vollständig. Kein einziger Coin-Typ zeigte eine besondere Übereinstimmung. Die scheinbare Ordnung war nur eine Illusion, die durch schlechte Daten entstanden war.

Der Große Test: Stimmen Versprechen mit der Realität überein?

Nachdem die Daten bereinigt waren, führten sie den Haupttest an 43 verifizierten Projekten durch. Sie nutzten ein intelligentes Computerprogramm (NLP), um die Whitepaper zu lesen und sie in 10 Kategorien von Versprechen zu sortieren (wie „Wertaufbewahrung“, „Privatsphäre“ oder „DeFi“). Dann betrachteten sie 7 reale Marktstatistiken (wie die Volatilität des Preises oder wie stark er sich bewegt) für die Jahre 2023–2024.

Sie versuchten, die „Versprechen“-Karte zu rotieren, um zu sehen, ob sie mit der „Markt“-Karte übereinstimmt, indem sie ein mathematisches Werkzeug namens Procrustes-Rotation verwendeten.

Das Ergebnis?
Die Karten passten nicht zusammen.

Der Übereinstimmungswert lag bei 0,303 (auf einer Skala, auf der 0,65 als „moderate“ Übereinstimmung und 0,70 als „starke“ Übereinstimmung gilt).
Dieser Wert ist nicht signifikant. Er ist im Grunde ein „Null-Ergebnis“.

Denken Sie es sich so wie den Versuch, ein Rezept mit einem Kuchen abzugleichen. Das Papier sagt: „Wir haben versucht zu sehen, ob das Rezept (Whitepaper) den Geschmack des Kuches (Markt) vorhersagt. Wir haben keinen starken Zusammenhang gefunden.“

Wie sicher sind sie sich? (Das „Power“-Problem)

Dies ist der wichtigste Teil: Die Autoren sind sehr ehrlich darüber, warum sie keine Übereinstimmung fanden. Sie sagten nicht: „Es gibt absolut keinen Zusammenhang.“ Stattdessen sagten sie: „Unser Test war nicht stark genug, um einen schwachen Zusammenhang zu erkennen.“

Sie führten eine Simulation (eine „Positive Kontrolle“) durch, bei der sie eine bekannte Übereinstimmung in die Daten injizierten, um zu sehen, ob ihre Maschine sie finden könnte.

Die Maschine: Sie funktioniert großartig! Sie fand die künstlichen Übereinstimmungen fast perfekt.
Das Problem: Das Werkzeug zur „Rezept-Lesung“ (der NLP-Klassifikator) war etwas verrauscht. Es war nicht besonders zuverlässig darin, den Text zu verstehen.
Die Grenze: Da das Text-Werkzeug verrauscht war, konnte der Test zuverlässig nur eine starke Übereinstimmung (einen Wert von 0,44 oder höher) erkennen.
Die Realität: Der tatsächliche Wert lag bei 0,303.

Daraus schlussfolgern sie:

Es schließt eine starke Verbindung aus (einen Wert von 0,70 oder höher). Das Design hatte über 80 % Power, um dies zu finden, und es hat es nicht getan.
Es kann eine schwache Verbindung (um 0,3) nicht ausschließen. Der Test war einfach nicht empfindlich genug, um zwischen einer schwachen Übereinstimmung und gar keiner Übereinstimmung zu unterscheiden.

Das Fazit

Dies ist keine Geschichte darüber, dass Whitepapers nutzlos sind. Es ist eine Warnung darüber, wie man Wissenschaft betreibt.

Lektion 1: Wenn Sie Ihre Daten nicht auf „Fake-Quittungen“ (Kontamination) prüfen, erfinden Sie möglicherweise Muster, die gar nicht existieren.
Lektion 2: Nur weil Sie keine Übereinstimmung finden, bedeutet das nicht, dass es keine gibt; vielleicht ist Ihr Maßband nur zu unscharf, um sie zu sehen.

Die Autoren sagen: „Wir haben genau hingesehen, wir haben unsere Daten bereinigt und wir haben keine Beweise für eine starke Verbindung zwischen dem, was Krypto-Projekte versprechen, und dem, wie sie sich tatsächlich verhalten, gefunden. Aber wir können nicht beweisen, dass es überhaupt keinen Zusammenhang gibt, weil unsere Werkzeuge vielleicht einfach zu unscharf sind, um einen schwachen zu erkennen.“

Technische Zusammenfassung: „Spiegeln sich Whitepaper-Ansprüche in der Marktstruktur wider?“

Problemstellung
Die Arbeit untersucht, ob die in Kryptowährungs-Whitepapern artikulierten funktionalen Narrative mit dem tatsächlichen strukturellen Verhalten ihrer Token in den Finanzmärkten korrespondieren. Während die Effizienzmarkthypothese nahelegt, dass informative Narrative schnell in die Preise eingepreist werden, postuliert die Narrativ-Ökonomie, dass Geschichten die Preise von den Fundamentaldaten entkoppeln können. Vorangegangene Forschung konzentrierte sich weitgehend auf die Qualität von Whitepapern als Prädiktor für den Erfolg von Initial Coin Offerings (ICOs) oder Post-Listing-Renditen. Diese Studie verlagert den Fokus auf die zeitgleiche strukturelle Korrespondenz: Stimmen die semantischen Kategorien der Gründungsansprüche eines Projekts mit den querschnittlichen Marktstatistiken (Rendite, Risiko, Liquidität) überein, die über einen Zeitraum von zwei Jahren (2023–2024) beobachtet wurden?

Methodik
Die Autoren entwickeln eine inhaltsverifizierte, kontaminationsbewusste Pipeline, um die strukturelle Ausrichtung zwischen zwei Repräsentationsräumen zu messen:

Narrativer Raum (Claims-Matrix $C$ ): Die Whitepaper für 43 Assets wurden inhaltsverifiziert, um fehlerhafte Download-Stubs und falsche Dokumentdateien zu entfernen (z. B. einen „Cosmos“-Eintrag, der tatsächlich Text der Binance Smart Chain enthielt). Der Text wurde in 500-Wörter-Segmente unterteilt und mittels Zero-Shot-Klassifizierung via BART-large-MNLI in 10 semantische Kategorien (z. B. Store of Value, DeFi, Privacy) klassifiziert. Die resultierenden Scores wurden zu einer Kompositionsmatrix $C \in \mathbb{R}^{43 \times 10}$ aggregiert.
Marktraum (Statistik-Matrix $S$ ): Stündliche OHLCV-Daten (17.543 Zeitstempel) wurden verwendet, um sieben querschnittliche Finanzstatistiken für jedes Asset zu berechnen: mittlere Rendite, Volatilität, Sharpe-Ratio, maximaler Drawdown, durchschnittliches Volumen, Vol-of-Vol und Preistrend. Diese wurden z-normalisiert, um die Matrix $S \in \mathbb{R}^{43 \times 7}$ zu bilden.
Ausrichtung und Inferenz: Die beiden Matrizen wurden mittels Orthogonaler Procrustes-Rotation aufeinander abgestimmt. Die Kongruenz wurde mit dem Tucker-Kongruenzkoeffizienten ( $\phi$ $ϕ$ ) gemessen.
- Dimensionshandhabung: Da die Räume unterschiedliche Dimensionen aufweisen (10 vs. 7), berichten die Autoren zwei Schätzungen: eine zero-padded Schätzung (konservative untere Schranke) und eine an die Dimension angepasste Schätzung (SVD-reduziert, ohne Padding).
- Power-Analyse: Eine Positive-Control-Monte-Carlo-Simulation injizierte bekannte Kongruenz in die Realdaten, um den kleinsten detektierbaren Effekt zu bestimmen. Die Analyse verdeutlichte, dass die bindende Einschränkung die Zuverlässigkeit des Text-Instruments ist (Inter-Method-Agreement $\rho \approx 0,57$ innerhalb der Kategorien) und nicht der Schätzer selbst.

Kernergebnisse

Kontaminationsdiagnose: Eine frühere Version des Korpus deutete auf ein strukturelles Signal hin, wonach „spezialisierte“ Token stärker korrelierten als „Infrastruktur“-Token. Die Autoren demonstrieren, dass dies vollständig ein Artefakt der Korpus-Kontamination war. Sobeils die Dokumente verifiziert und neu gesammelt wurden, verschwand diese Ordnung; kein Token registrierte sich als signifikant hilfreich für die Ausrichtung im sauberen Korpus.
Power-limitierte Nullhypothese: Auf der sauberen Stichprobe von $n=43$ $n = 43$ wurde keine signifikante Claims–Markt-Ausrichtung festgestellt.
- An die Dimension angepasste Schätzung: $\phi = 0,303$ ( $p = 0,365$ ).
- Zero-padded Schätzung: $\phi = 0,223$ ( $p = 0,433$ ).
- Beide liegen deutlich unter dem konservativen Benchmark der Autoren für moderate Ähnlichkeit ( $\phi \ge 0,65$ ).
Power-Beschränkungen: Die Studie ist unterpowert, um zwischen schwacher Ausrichtung und keiner Ausrichtung zu unterscheiden. Der realistische minimal detektierbare Effekt (bei 80 % Power) liegt bei $\phi \approx 0,44$ . Das Design besitzt eine Power von $>80\,\%$ , um starke Ausrichtung ( $\phi \ge 0,70$ ) zu detektieren, kann aber nicht zwischen schwacher Ausrichtung ( $\phi \approx 0,3$ ) und fehlender Ausrichtung entscheiden.
Positive Control: Eine Simulation bestätigte die Sensitivität der Pipeline; sie stellte injizierte Cross-Domain-Kongruenz fast exakt wieder her (z. B. injiziertes $\phi=0,80$ wurde als $0,806$ wiedergefunden). Dies bestätigt, dass die Nicht-Detektion auf die begrenzte Power und die Unzuverlässigkeit des Instruments zurückzuführen ist und nicht auf eine unempfindliche Pipeline.
Robustheit: Das Nullergebnis bleibt über rollierende Zeitfenster, Subsample-Resampling, Jackknife-Analysen und alternative Ausrichtungsmetriken (RV-Koeffizient, Distanzkorrelation, CCA, PLS) hinweg bestehen.

Bedeutung und Ansprüche
Die Arbeit versteht ihren Beitrag eher als methodischen Fortschritt und als Warnung denn als definitiven Beweis für eine Entkopplung von Narrativ und Markt.

Methodischer Beitrag: Die Autoren führen eine reproduzierbare Pipeline ein, um textuelle und marktbezogene Repräsentationsräume zu vergleichen, die explizit die Korpus-Kontamination berücksichtigt und die Detektierbarkeit mittels Power-Analyse begrenzt. Sie argumentieren, dass eine inhaltsbasierte Verifizierung (Wortzahlen, Provenienzprüfungen) eine Voraussetzung für Text–Markt-Analysen ist, da unentdeckte Kontaminationen spureneffektive querschnittliche Signale künstlich erzeugen können.
Interpretation der Nullhypothese: Die Autoren stellen explizit klar, dass dies ein „Fehlen von Beweisen für eine Ausrichtung, nicht ein Beweis für deren Abwesenheit“ ist. Die Ergebnisse sind inkonsistent mit einer starken Ausrichtung ( $\phi \ge 0,70$ ), können aber eine schwache Ausrichtung nicht ausschließen.
Limitierungen: Die Autoren heben drei wesentliche Einschränkungen hervor:
1. Power: Die Stichprobengröße ( $n=43$ ) und das geringe Zuverlässigkeitsniveau des Text-Instruments verhindern die Unterscheidung zwischen schwachen Effekten und Null.
2. Konstruktvalidität: Der Zero-Shot-Klassifikator zeigt eine moderate Inter-Modell-Übereinstimmung und scheitert an einem Face-Validity-Check (z. B. identifiziert er Bitcoins primäres „Store of Value“-Narrativ nicht korrekt, sondern rankt es auf Platz sechs). Das Instrument erfasst möglicherweise nicht die preisrelevanten narrativen Nuancen.
3. Temporale Diskrepanz: Der Korpus besteht größtenteils aus Dokumenten aus der Gründungsära (einige vor 2018), während die Marktdaten aus 2023–2024 stammen. Diese statisch-gegenüber-zeitgenössische Diskrepanz dürfte eine etwaige wahre Ausrichtung abschwächen.

Die Arbeit kommt zu dem Schluss, dass die Daten zwar gegen eine starke Ausrichtung zwischen Whitepaper-Ansprüchen und Marktstruktur sprechen, das Design jedoch nicht zwischen den Möglichkeiten einer echten Diskrepanz, eines unterpowerten Designs oder eines Instruments mit geringer Validität unterscheiden kann. Zukünftige Arbeiten erfordern größere Korpora, domänenspezifische Klassifikatoren und zeitgestempelte narrative Quellen.

Das „Fake-Quittung“-Desaster

Der Große Test: Stimmen Versprechen mit der Realität überein?

Wie sicher sind sie sich? (Das „Power“-Problem)

Das Fazit

Mehr davon