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

Resumo Técnico: "As Alegações dos Whitepapers são Refletidas na Estrutura de Mercado?"

Definição do Problema
O artigo investiga se as narrativas funcionais articuladas nos whitepapers de criptomoedas correspondem ao comportamento estrutural real de seus tokens nos mercados financeiros. Enquanto a teoria dos mercados eficientes sugere que narrativas informativas são rapidamente incorporadas aos preços, a economia das narrativas postula que histórias podem desacoplar os preços dos fundamentos. Pesquisas anteriores focaram majoritariamente na qualidade do whitepaper como um preditor do sucesso da oferta inicial de moedas (ICO) ou dos retornos pós-listagem. Este estudo desloca o foco para a correspondência estrutural contemporânea: as categorias semânticas das alegações fundadoras de um projeto alinham-se com as estatísticas de mercado transversais (retorno, risco, liquidez) observadas em um período de dois anos (2023–2024)?

Metodologia
Os autores desenvolvem um pipeline de verificação de conteúdo e consciente de contaminação para medir o alinhamento estrutural entre dois espaços representacionais:

1. Espaço Narrativo (Matriz de Alegações $C$): Os whitepapers de 43 ativos foram verificados quanto ao conteúdo para remover estojos de download falhos e arquivos de documentos errados (ex: uma entrada de "Cosmos" que era, na verdade, texto da Binance Smart Chain). O texto foi segmentado em blocos de 500 palavras e classificado em 10 categorias semânticas (ex: Reserva de Valor, DeFi, Privacidade) via classificação zero-shot usando BART-large-MNLI. Os escores resultantes foram agregados em uma matriz de composição $C \in \mathbb{R}^{43 \times 10}$.
2. Espaço de Mercado (Matriz de Estatísticas $S$): Dados OHLCV horários (17.543 timestamps) foram usados para computar sete estatísticas financeiras transversais para cada ativo: retorno médio, volatilidade, razão de Sharpe, drawdown máximo, volume médio, vol-de-vol e tendência de preço. Estes foram normalizados via z-score para formar a matriz $S \in \mathbb{R}^{43 \times 7}$.
3. Alinhamento e Inferência: As duas matrizes foram alinhadas usando rotação de Procrustes Ortogonal. A congruência foi medida usando o coeficiente de congruência de Tucker ($\phi$).
   • Tratamento de Dimensões: Como os espaços diferem em dimensão (10 vs. 7), os autores relatam duas estimativas: uma estimativa com preenchimento de zeros (zero-padded, limite inferior conservador) e uma estimativa de dimensões correspondentes (redução por SVD, sem preenchimento).
   • Análise de Poder: Uma simulação de Monte Carlo de controle positivo injetou congruência conhecida nos dados reais para determinar o efeito mínimo detectável. A análise destacou que a restrição vinculante é a confiabilidade do instrumento de texto (acordo inter-método $\rho \approx 0,57$ dentro das categorias), não o estimador em si.

Principais Resultados

1. Diagnóstico de Contaminação: Uma versão anterior do corpus sugeriu um sinal estrutural onde tokens "especializados" alinhavam-se mais fortemente do que tokens de "infraestrutura". Os autores demonstram que isso foi inteiramente um artefato de contaminação do corpus. Uma vez que os documentos foram verificados e recolhidos, essa ordenação desapareceu; nenhum token registrou ajuda significativa no alinhamento no corpus limpo.
2. Nulo Limitado pelo Poder: Na amostra limpa de $n=43$, nenhum alinhamento significativo entre alegações e mercado foi detectado.
   • Estimativa de dimensões correspondentes: $\phi = 0,303$ ($p = 0,365$).
   • Estimativa com preenchimento de zeros: $\phi = 0,223$ ($p = 0,433$).
   • Ambos estão bem abaixo do benchmark conservador dos autores para similaridade moderada ($\phi \ge 0,65$).
3. Restrições de Poder: O estudo carece de poder estatístico para distinguir alinhamento fraco de ausência de alinhamento. O efeito mínimo detectável realista (com 80% de poder) é $\phi \approx 0,44$. O design possui >80% de poder para detectar alinhamento forte ($\phi \ge 0,70$), mas não pode adjudicar entre alinhamento fraco ($\phi \approx 0,3$) e nenhum alinhamento.
4. Controle Positivo: Uma simulação confirmou que o pipeline é sensível; ele recuperou a congruência trans-domínio injetada quase exatamente (ex: $\phi=0,80$ injetado foi recuperado como $0,806$). Isso confirma que a não detecção reflete o poder limitado e a confiabilidade do instrumento, não um pipeline insensível.
5. Robustez: O resultado nulo mantém-se através de janelas temporais rotativas, reamostragem de subamostras, análise jackknife e métricas de alinhamento alternativas (coeficiente RV, correlação de distância, CCA, PLS).

Significância e Alegações
O artigo enquadra sua contribuição como um avanço metodológico e um alerta cautelar, em vez de uma prova definitiva de desacoplamento entre narrativa e mercado.

• Contribuição Metodológica: Os autores introduzem um pipeline reproduzível para comparar espaços representacionais textuais e de mercado que contabiliza explicitamente a contaminação do corpus e delimita a detectabilidade via análise de poder. Eles argumentam que a verificação de nível de conteúdo (contagem de palavras, checagem de proveniência) é uma precondição para análises de texto–mercado, pois a contaminação não detectada pode fabricar sinais transversais espúrios.
• Interpretação do Nulo: Os autores afirmam explicitamente que se trata de "ausência de evidência de alinhamento, não evidência de sua ausência". Os resultados são inconsistentes com um alinhamento forte ($\phi \ge 0,70$), mas não podem excluir um alinhamento fraco.
• Limitações: Os autores destacam três limitações vinculantes:
  1. Poder: O tamanho da amostra ($n=43$) e o instrumento de texto de baixa confiabilidade impedem a distinção entre efeitos fracos e zero.
  2. Validade de Construto: O classificador zero-shot mostra concordância inter-modelo modesta e falha em um teste de validade de face (ex: ele não identifica corretamente a narrativa primária de "Reserva de Valor" do Bitcoin, classificando-o em sexto lugar). O instrumento pode não capturar nuances narrativas relevantes para o preço.
  3. Descompasso Temporal: O corpus consiste majoritariamente em documentos da era fundadora (alguns pré-2018), enquanto os dados de mercado são de 2023–2024. Esse descompasso entre o estático e o contemporâneo provavelmente atenua qualquer alinhamento real.

O artigo conclui que, embora os dados sejam inconsistentes com um alinhamento forte entre as alegações dos whitepapers e a estrutura de mercado, o design não pode adjudicar entre as possibilidades de um desconexão genuína, um design com baixo poder ou um instrumento de texto de baixa validade. Trabalhos futuros exigirão corpora maiores, classificadores adaptados ao domínio e fontes narrativas com carimbo de tempo (timestamp).