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

Sintesi Tecnica: "Le affermazioni dei Whitepaper si riflettono nella struttura del mercato?"

Definizione del problema
Il documento indaga se le narrazioni funzionali articolate nei whitepaper delle criptovalute corrispondano al reale comportamento strutturale dei loro token nei mercati finanziari. Mentre la teoria dell'efficienza del mercato suggerisce che le narrazioni informative vengano rapidamente assorbite dai prezzi, l'economia narrativa postula che le storie possano disaccoppiare i prezzi dai fondamentali. La ricerca precedente si è concentrata principalmente sulla qualità del whitepaper come predittore del successo dell'Initial Coin Offering (ICO) o dei rendimenti post-quotazione. Questo studio sposta l'attenzione sulla corrispondenza strutturale contemporanea: le categorie semantiche delle rivendicazioni fondanti di un progetto si allineano con le statistiche di mercato trasversali (rendimento, rischio, liquidità) osservate in un periodo di due anni (2023–2024)?

Metodologia
Gli autori sviluppano una pipeline verificata per contenuto e consapevole della contaminazione per misurare l'allineamento strutturale tra due spazi rappresentazionali:

1. Spazio Narrativo (Matrice delle Rivendicazioni $C$): I whitepaper di 43 asset sono stati verificati per contenuto per eliminare stub di download falliti e file errati (ad esempio, un'entrata "Cosmos" che era in realtà il testo di Binance Smart Chain). Il testo è stato segmentato in blocchi di 500 parole e classificato in 10 categorie semantiche (ad esempio, Store of Value, DeFi, Privacy) tramite classificazione zero-shot mediante BART-large-MNLI. I punteggi risultanti sono stati aggregati in una matrice di composizione $C \in \mathbb{R}^{43 \times 10}$.
2. Spazio di Mercato (Matrice delle Statistiche $S$): Dati OHLCV orari (17.543 timestamp) sono stati utilizzati per calcolare sette statistiche finanziarie trasversali per ogni asset: rendimento medio, volatilità, Sharpe ratio, maximum drawdown, volume medio, vol-of-vol e trend di prezzo. Questi sono stati normalizzati tramite z-score per formare la matrice $S \in \mathbb{R}^{43 \times 7}$.
3. Allineamento e Inferenza: Le due matrici sono state allineate utilizzando la rotazione di Procruste ortogonale. La congruenza è stata misurata utilizzando il coefficiente di congruenza di Tucker ($\phi$).
   • Gestione delle dimensioni: Poiché gli spazi differiscono nelle dimensioni (10 vs 7), gli autori riportano due stime: una stima con zero-padding (limite inferiore conservativo) e una stima a dimensioni corrispondenti (ridotta tramite SVD, senza padding).
   • Analisi della potenza: Una simulazione Monte Carlo di controllo positivo ha iniettato una congruenza nota nei dati reali per determinare l'effetto minimo rilevabile. L'analisi ha evidenziato che il vincolo limitante è l'affidabilità dello strumento testuale (accordo inter-metodo $\rho \approx 0,57$ all'interno delle categorie), non l'estimatore stesso.

Risultati Chiave

1. Diagnosi della Contaminazione: Una versione precedente del corpus suggeriva un segnale strutturale in cui i token "specializzati" si allineavano più fortemente rispetto ai token di "infrastruttura". Gli autori dimostrano che questo era interamente un artefatto della contaminazione del corpus. Una volta verificati e ricolllezionati i documenti, questo ordine è svanito; nessun token è risultato significativamente utile all'allineamento nel corpus pulito.
2. Nulla Limitato dalla Potenza: Su un campione pulito di $n=43$, non è stato rilevato alcun allineamento significativo tra rivendicazioni e mercato.
   • Stima a dimensioni corrispondenti: $\phi = 0,303$ ($p = 0,365$).
   • Stima con zero-padding: $\phi = 0,223$ ($p = 0,433$).
   • Entrambe sono ben al di sotto del benchmark conservativo degli autori per una somiglianza moderata ($\phi \ge 0,65$).
3. Vincoli di Potenza: Lo studio è sottodimensionato per distinguere un debole allineamento dall'assenza di esso. L'effetto minimo rilevabile realistico (con l'80% di potenza) è $\phi \approx 0,44$. Il design ha una potenza superiore all'80% per rilevare un forte allineamento ($\phi \ge 0,70$), ma non può giudicare tra un debole allineamento ($\phi \approx 0,3$) e l'assenza di allineamento.
4. Controllo Positivo: Una simulazione ha confermato che la pipeline è sensibile; ha recuperato la congruenza cross-domain iniettata quasi esattamente (ad esempio, un $\phi$ iniettato di $0,80$ recuperato come $0,806$). Ciò conferma che la mancata rilevazione riflette la potenza limitata e l'affidabilità dello strumento, non una pipeline insensibile.
5. Robustezza: Il risultato nullo si mantiene attraverso finestre temporali mobili, ricampionamento di sottocampioni, analisi jackknife e metriche di allineamento alternative (coefficiente RV, correlazione di distanza, CCA, PLS).

Significatività e Rivendicazioni
Il documento inquadra il proprio contributo come un avanzamento metodologico e un monito piuttosto che come una prova definitiva del disaccoppiamento tra narrativa e mercato.

• Contributo Metodologico: Gli autori introducono una pipeline riproducibile per confrontare gli spazi rappresentazionali testuali e di mercato che tiene esplicitamente conto della contaminazione del corpus e delimita la rilevabilità tramite l'analisi della potenza. Sostengono che la verifica a livello di contenuto (conteggio parole, controlli di provenienza) sia una precondizione per l'analisi testo-mercato, poiché la contaminazione non rilevata può fabbricare segnali trasversali spuri.
• Interpretazione del Nulla: Gli autori dichiarano esplicitamente che si tratta di "assenza di evidenza per l'allineamento, non evidenza della sua assenza". I risultati sono incoerenti con un forte allineamento ($\phi \ge 0,70$) ma non possono escludere un debole allineamento.
• Limitazioni: Gli autori evidenziano tre limitazioni vincolanti:
  1. Potenza: La dimensione del campione ($n=43$) e la bassa affidabilità dello strumento testuale impediscono di distinguere effetti deboli dallo zero.
  2. Validità di Costrutto: Il classificatore zero-shot mostra un accordo inter-modello modesto e fallisce un controllo di validità di facciata (ad esempio, non identifica correttamente la narrativa primaria di "Store of Value" di Bitcoin, classificandolo al sesto posto). Lo strumento potrebbe non catturare le sfumature narrative rilevanti per il prezzo.
  3. Discrepanza Temporale: Il corpus consiste principalmente di documenti dell'era fondativa (alcuni pre-2018), mentre i dati di mercato sono del 2023–2024. Questa discrepanza tra staticità e contemporaneità probabilmente attenua qualsiasi vero allineamento.

Il documento conclude che, sebbene i dati siano incoerenti con un forte allineamento tra le rivendicazioni dei whitepaper e la struttura del mercato, il design non può giudicare tra le possibilità di un reale disconnessione, un design sottodimensionato o uno strumento testuale a bassa validità. Il lavoro futuro richiede corpora più ampi, classificatori adattati al dominio e fonti narrative con timestamp.