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

Résumé Technique : « Les revendications des livres blancs se reflètent-elles dans la structure du marché ? »

Énoncé du problème
L'article examine si les récits fonctionnels articulés dans les livres blancs (whitepapers) des crypto-actifs correspondent au comportement structurel réel de leurs jetons sur les marchés financiers. Alors que la théorie de l'efficience du marché suggère que les récits informatifs sont rapidement intégrés dans les prix, l'économie narrative postule que les histoires peuvent déconnecter les prix des fondamentaux. Les recherches antérieures se sont largement concentrées sur la qualité du livre blanc comme prédicteur du succès de l'offre initiale de jetons (ICO) ou des rendements post-cotation. Cette étude déplace l'attention vers une correspondance structurelle contemporaine : les catégories sémantiques des revendications fondatrices d'un projet s'alignent-elles avec les statistiques de marché transversales (rendement, risque, liquidité) observées sur une période de deux ans (2023–2024) ?

Méthodologie
Les auteurs développent un pipeline de vérification de contenu et sensible à la contamination pour mesurer l'alignement structurel entre deux espaces de représentation :

1. Espace Narratif (Matrice de Revendications $C$) : Les livres blancs de 43 actifs ont été vérifiés sur le plan du contenu pour éliminer les extraits de téléchargement échoués et les fichiers erronés (par exemple, une entrée « Cosmos » qui était en réalité du texte de Binance Smart Chain). Le texte a été segmenté en blocs de 500 mots et classé en 10 catégories sémantiques (ex. : Réserve de Valeur, DeFi, Confidentialité) via une classification zero-shot utilisant BART-large-MNLI. Les scores résultants ont été agrégés en une matrice de composition $C \in \mathbb{R}^{43 \times 10}$.
2. Espace de Marché (Matrice de Statistiques $S$) : Des données OHLCV horaires (17 543 horodatages) ont été utilisées pour calculer sept statistiques financières transversales pour chaque actif : rendement moyen, volatilité, ratio de Sharpe, drawdown maximal, volume moyen, volatilité de la volatilité et tendance des prix. Celles-ci ont été normalisées par score z pour former la matrice $S \in \mathbb{R}^{43 \times 7}$.
3. Alignement et Inférence : Les deux matrices ont été alignées à l'aide d'une rotation de Procruste orthogonale. La congruence a été mesurée à l'aide du coefficient de congruence de Tucker ($\phi$).
   • Gestion des dimensions : Comme les espaces diffèrent en dimension (10 contre 7), les auteurs rapportent deux estimations : une estimation avec remplissage de zéros (borne inférieure conservatrice) et une estimation à dimensions correspondantes (réduite par SVD, sans remplissage).
   • Analyse de puissance : Une simulation de Monte Carlo de contrôle positif a injecté une congruence connue dans les données réelles pour déterminer l'effet minimal détectable. L'analyse a souligné que la contrainte limitante est la fiabilité de l'instrument textuel (accord inter-méthode $\rho \approx 0,57$ au sein des catégories), et non l'estimateur lui-même.

Résultats Clés

1. Diagnostic de Contamination : Une version antérieure du corpus suggérait un signal structurel où les jetons « spécialisés » s'alignaient plus fortement que les jetons d'« infrastructure ». Les auteurs démontrent qu'il s'agissait entièrement d'un artefact de contamination du corpus. Une fois les documents vérifiés et collectés à nouveau, cet ordre a disparu ; aucun jeton n'a été enregistré comme contribuant significativement à l'alignement sur le corpus propre.
2. Nul Limité par la Puissance : Sur l'échantillon propre de $n=43$, aucun alignement significatif entre revendications et marché n'a été détecté.
   • Estimation à dimensions correspondantes : $\phi = 0,303$ ($p = 0,365$).
   • Estimation avec remplissage de zéros : $\phi = 0,223$ ($p = 0,433$).
   • Les deux sont bien en dessous du seuil conservateur des auteurs pour une similitude modérée ($\phi \ge 0,65$).
3. Contraintes de Puissance : L'étude manque de puissance pour distinguer un faible alignement de l'absence d'alignement. L'effet minimal détectable réaliste (à 80 % de puissance) est $\phi \approx 0,44$. Le design possède une puissance de >80 % pour détecter un alignement fort ($\phi \ge 0,70$) mais ne peut pas trancher entre un alignement faible ($\phi \approx 0,3$) et aucun alignement.
4. Contrôle Positif : Une simulation a confirmé que le pipeline est sensible ; il a récupéré la congruence trans-domaine injectée presque exactement (ex. : un $\phi=0,80$ injecté a été récupéré à $0,806$). Cela confirme que la non-détection reflète une puissance limitée et la fiabilité de l'instrument, et non un pipeline insensible.
5. Robustesse : Le résultat nul se maintient à travers les fenêtres temporelles glissantes, le rééchantillonnage de sous-échantillons, l'analyse de jackknife et les mesures d'alignement alternatives (coefficient RV, corrélation de distance, CCA, PLS).

Signification et Revendications
L'article présente sa contribution comme une avancée méthodologique et un avertissement plutôt que comme une preuve définitive de la déconnexion entre récit et marché.

• Contribution Méthodologique : Les auteurs introduisent un pipeline reproductible pour comparer les espaces de représentation textuelle et de marché qui rend explicitement compte de la contamination du corpus et limite la détectabilité via une analyse de puissance. Ils soutiennent que la vérification du contenu (comptage de mots, vérification de provenance) est une condition préalable à l'analyse texte-marché, car une contamination non détectée peut fabriquer des signaux transversaux spécieux.
• Interprétation du Résultat Nul : Les auteurs déclarent explicitement qu'il s'agit de « l'absence de preuve d'alignement, et non de la preuve de l'absence d'alignement ». Les résultats sont incompatibles avec un alignement fort ($\phi \ge 0,70$) mais ne peuvent exclure un alignement faible.
• Limites : Les auteurs soulignent trois limites contraignantes :
  1. Puissance : La taille de l'échantillon ($n=43$) et la faible fiabilité de l'instrument textuel empêchent de distinguer les effets faibles du zéro.
  2. Validité de Construit : Le classificateur zero-shot montre un accord inter-modèle modeste et échoue à un test de validité de face (ex. : il n'identifie pas correctement le récit principal de « Réserve de Valeur » de Bitcoin, le classant au sixième rang). L'instrument peut ne pas capturer les nuances narratives pertinentes pour le prix.
  3. Décalage Temporel : Le corpus est composé principalement de documents de l'époque fondatrice (certains pré-2018), tandis que les données de marché datent de 2023–2024. Ce décalage entre statique et contemporanéité atténue probablement tout véritable alignement.

L'article conclut que, bien que les données soient incompatibles avec un fort alignement entre les revendications des livres blancs et la structure du marché, le design ne peut pas trancher entre les possibilités d'une véritable déconnexion, d'un design sous-dimensionné ou d'un instrument textuel à faible validité. Les travaux futurs nécessiteront des corpus plus larges, des classificateurs adaptés au domaine et des sources narratives horodatées.