💰 quantitative finance

Pump.fun Graduation Regime Windows: Survival Analysis of 832,941 Token Launches and the Social-Presence Effect

Este estudo analisa 832.941 lançamentos de tokens da pump.fun na Solana para revelar uma queda acentuada de 3,18x nas taxas de graduação entre o final de 2025 e meados de 2026, atribuindo a queda principalmente a uma mudança em direção a tokens de zero-self-buy, enquanto demonstra que a presença em canais sociais (particularmente o Telegram) aumenta significativamente as chances de sucesso.

Autores originais: Arati Uday Kamat

Publicado 2026-07-07

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Arati Uday Kamat

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine o pump.fun como um show de talentos massivo e caótico acontecendo na blockchain Solana. Todos os dias, milhares de novos "performer" (tokens de cripto) sobem ao palco. O objetivo deles é simples: conseguir que pessoas suficientes comprem seu ingresso para que possam se graduar do pequeno e arriscado estágio da "curva de ligação" (bonding curve) e se moverem para o grande e famoso estádio "PumpSwap".

A maioria dos performers falha. Eles ficam sem tempo ou dinheiro e nunca chegam ao estádio. Este artigo é um estudo massivo de 832.941 desses shows de talentos que ocorreram entre maio e junho de 2026. Os pesquisadores queriam responder a duas grandes perguntas:

Quais são as chances reais de conseguir?
Quais coisas específicas tornam um token mais propenso ao sucesso?

Aqui está a divisão de suas descobertas, usando analogias simples.

1. As chances caíram (A "Taxa de Graduação")

No final de 2025, cerca de 0,63% dos tokens conseguiram se graduar. Pense nisso como 6 em cada 1.000 performers recebendo uma ovação de pé e se movendo para o grande estádio.

Em meados de 2026, esse número caiu significativamente para 0,198%. Isso é aproximadamente 2 em cada 1.000.

A Analogia: É como se o show de talentos tivesse ficado muito mais difícil. A "taxa de sucesso" caiu mais de 3 vezes em comparação ao ano anterior.

2. Por que as chances caíram? (O Mistério do "Auto-Compra")

Os pesquisadores investigaram por que a taxa de sucesso caiu. Eles descobriram que não foi porque os "bons" tokens ficaram subitamente piores em performar. Em vez disso, a mistura de performers mudou.

Os Tokens de "Auto-Compra": Alguns criadores compram seus próprios tokens logo no início para mostrar confiança (como um cantor comprando um ingresso na primeira fila para si mesmo). Esses tokens têm uma taxa de sucesso muito maior (cerca de 0,63%).
Os Tokens de "Zero Auto-Compra": A maioria dos novos tokens em 2026 foi criada por pessoas que não compraram seus próprios tokens primeiro. Esses tokens têm uma taxa de sucesso muito baixa (cerca mas de 0,05%).

A Conclusão: A taxa de sucesso geral caiu porque o palco foi inundado com tokens de "Zero Auto-Compra". Se você olhar apenas para os tokens onde o criador comprou seu próprio ingresso, a taxa de sucesso é, na verdade, a mesma de 2025. A "má sorte" é apenas que agora existem muito mais dos tokens "arriscados".

3. O Superpoder das "Redes Sociais"

O estudo analisou se ter uma conta no Twitter (X), um site ou um grupo no Telegram ajudava. Os resultados foram chocantes:

Telegram é o Rei: Tokens que anunciavam um canal no Telegram tinham quase 9 vezes mais chances de se graduar do que aqueles sem um.
O Efeito "Full Stack": Tokens que anunciavam todos os três (Twitter, Website e Telegram) tiveram uma taxa de sucesso 17 vezes maior do que os tokens com nenhum deles.
A Analogia: Imagine um show de talentos onde os performers que têm um fã-clube esperando do lado de fora da porta (Telegram) têm quase a garantia de receber uma ovação de pé. Aqueles que apenas aparecem com um violão e sem uma base de fãs geralmente são vaiados para fora do palco.

4. A Regra dos "Primeiros 5 Minutos"

Os pesquisadores rastrearam exatamente quanto tempo levava para um token se graduar.

A Descoberta: Se um token vai se graduar, isso acontece rápido.
A Analogia: É como um sprint. 90% dos tokens que têm sucesso o fazem dentro dos primeiros 2 minutos da corrida. Se um token não cruzou a linha de chegada até a marca dos 5 minutos, é quase certo que ele perderá. A "sobrevivência" de um token é decidida quase instantaneamente.

5. O que eles realmente lançaram?

Este artigo não é apenas sobre números; é sobre abrir a porta para que outros verifiquem a matemática.

O Conjunto de Dados: Eles lançaram uma lista massiva (mais de 860.000 entradas) de cada token que observaram, rotulada com se teve sucesso ou falhou. Eles chamam isso de RED-PUMP-2026-v1.
O Framework: Eles criaram uma nova maneira de medir essas tendências ao longo do tempo, chamada de Graduation Regime Windows (GRW). Pense nisso como nomear diferentes "temporadas" do show (ex: "A Temporada Marino" de 2025 vs. "A Temporada Red Pump" de 2026) para que todos possam comparar maçãs com maçãs.

Resumo

O artigo nos diz que o show de talentos "pump.fun" ainda é incrivelmente arriscado (menos de 1 em cada 500 tokens tem sucesso). No entanto, as chances estão fortemente a favor de tokens que:

Têm um criador que compra seu próprio ingresso (Auto-Compra).
Têm uma forte presença nas redes sociais, especialmente um grupo no Telegram.
Começam a se mover incrivelmente rápido (dentro dos primeiros minutos).

A queda nas taxas de sucesso geral não é porque os "vencedores" ficaram piores; é porque o palco está agora lotado com um número muito maior de tokens que não possuem nenhuma dessas vantagens.

Resumo Técnico: Janelas de Regime de Graduação do Pump.fun

Definição do Problema
A plataforma baseada em Solana, pump.fun, facilita o lançamento de memecoins, onde um token "se gradua" ao atingir um limiar de reserva da curva de ligação (aproximadamente 85 SOL), migrando para a DEX PumpSwap. A graduação é um evento raro. Embora dashboards do setor e trabalhos acadêmicos anteriores (ex: Marino et al., 2026) tenham fornecido taxas de graduação agregadas, a literatura carece de: (1) um conjunto de dados de referência de nível de registro público para replicação metodológica; (2) a aplicação de métodos de análise de sobrevivência (Kaplan-Meier, riscos proporcionais de Cox) para modelar a dinâmica de graduação; e (3) uma avaliação quantitativa de características de presença social off-chain (Twitter, website, Telegram) como preditores de graduação. Além disso, as taxas de graduação sofreram mudanças significativas ao longo do tempo (de <2% no Q4 2024 para 0,63% no final de 2025), necessitando de um framework para comparar esses distintos "regimes" temporais.

Metodologia
Os autores apresentam uma análise de sobrevivência de 832.941 lançamentos de tokens únicos observados continuamente entre 8 de maio de 2026 e 10 de junho de 2026 (o regime "RED-PUMP-2026-v1").

Coleta de Dados: Um observador da blockchain pública subscreveu o fluxo de atualização de conta-programa do pump.fun. Para cada lançamento, o sistema registrou o endereço de cunhagem (mint address), carimbos de data/hora (seenAt, created_timestamp), capitalização de mercado inicial (em SOL) e três indicadores booleanos para a presença de uma URL de Twitter, website ou Telegram nos metadados de lançamento.
Definição de Evento: O estudo monitora os tokens por 24 horas. Os resultados terminais são GRADUATED (curva de ligação cruzada) ou TIMEOUT (24 horas decorridas sem graduação). TIMEOUT é tratado como um evento censurado à direita.
Estrutura Estatística:
- Estimador de Kaplan-Meier: Utilizado para estimar a probabilidade de graduação cumulativa $F(t) = 1 - S(t)$ e gerar curvas de sobrevivência.
- Estratificação: A análise foi estratificada por indicadores de canais sociais (contagens individuais e combinadas) e quartetos de capitalização de mercado inicial.
- Modelo de Riscos Proporcionais de Cox: Um modelo semiparamétrico multivariado foi ajustado para estimar as razões de risco ( $\lambda_i(t|x_i) = \lambda_0(t) \exp(\beta^\top x_i)$ ). As covariáveis incluíram indicadores sociais, log-transformação do market cap inicial e log-transformação do comprimento da descrição. Uma penalidade L2 ( $10^{-3}$ ) foi aplicada para estabilizar as estimativas.
- Comparação de Regimes: Os autores formalizam o framework de "Janelas de Regime de Graduação" (GRW) para comparar a janela atual de 34 dias com períodos anteriores (Q4 2024 e a janela de Marino et al., 2026).

Principais Resultados

Taxa de Graduação Geral: A taxa de graduação agregada para a janela RED-PUMP-2026-v1 é de 0,198% (IC Wilson 95% [0,189%, 0,208%]). Isso representa uma queda de 3,18× em relação à taxa de 0,63% reportada por Marino et al. (2026) para setembro–outubro de 2025.
Efeitos de Presença Social: Indicadores sociais off-chain são altamente preditivos.
- Lançamentos com canal no Telegram graduam-se a 1,485% contra 0,166% sem ele (um aumento de 8,94×). A razão de risco de Cox multivariada para o Telegram é de 5,40 (IC 95% [4,73, 6,17], $p=6,6 \times 10^{-138}$ ).
- Lançamentos que anunciam os três canais sociais graduam-se a 1,919% contra 0,110% para aqueles sem nenhum (um aumento de 17,4×).
Capitalização de Mercado e Autocompra (Self-Buying):
- A distribuição de market cap inicial mostra uma grande massa no padrão de 30 SOL da plataforma.
- O quartil superior (market cap inicial > 31 SOL, interpretado como autocompra do criador) gradua-se a 0,634%, o que coincide quase exatamente com a taxa agregada de 0,63% do estudo de Marino et al. (2026).
- Os três quartetos inferiores (dominados por lançamentos sem autocompra) graduam-se a apenas 0,053%.
Desempenho do Modelo: O modelo de Cox alcança um índice de concordância de Harrell de 0,858.
Dinâmicas Temporais: Os primeiros quatro dias da janela de observação mostraram taxas artificialmente baixas (0,015%–0,043%) devido à latência de aquecimento da infraestrutura do observador. Excluindo este período, a taxa de estado estacionário é de 0,207%.

Significância e Alegações
O artigo reivindica quatro contribuições primárias:

RED-PUMP-2026-v1: O primeiro conjunto de dados de benchmark de nível de registro do pump.fun (860.213 lançamentos) liberado publicamente, com um esquema congelado, sob licença CC-BY-4.0 no Zenodo.
Primeiras Vezes Metodológicas: A primeira aplicação publicada de curvas de sobrevivência de Kaplan-Meier e modelagem de riscos proporcionais de Cox aos eventos de graduação do pump.fun.
Decomposição Longitudinal: Uma decomposição empírica sugerindo que o declínio inter-regime nas taxas de graduação é substancialmente atribuível a uma mudança composicional em direção a lançamentos sem autocompra (que possuem baixas taxas de sucesso), em vez de um declínio na taxa de sucesso de lançamentos com autocompra (que permanecem estáveis em ~0,63%).
Padronização: A introdução do framework de Janelas de Regime de Graduação (GRW) e do Índice de Graduação do Pump.fun (PGI) como métricas padronizadas para futuros trabalhos comparativos.

Os autores declaram explicitamente que não reivindicam causalidade em relação aos canais sociais, oferecendo interpretações de esforço, descoberta e seleção como não exclusivas. Eles também observam que o limite de observação de 24 horas e os atrasos de detecção são limitações, e que as elevações reportadas nas taxas de graduação são métricas preditivas para design de filtros, e não sinais de negociação acionáveis sem validação adicional.