マルチ粒度のウォッシュトレードパターン分析によるBSCミームトークンの早期ラグプル警告

概要: 分散型ファイナンス（DeFi）におけるミームトークンの高頻度発行と短期回転的な投機は、ラグプルリスクを著しく拡大させている。既存のアプローチは、希少な異常、ラベルの不完全性、および解釈性の制限の下で安定した早期警告を提供するのに依然として苦戦している。この問題に対処するため、BSCミームトークン向けのエンドツーエンドの警告フレームワークを提案する。4つの段階で構成される：データセットの構築とラベル付け、ウオッシュ・トレーディングパターンの特徴モデリング、リスク予測、および誤差分析。方法論的には、3つのウオッシュ・トレーディングパターン（Self、Matched、Circular）に基づいて、トークンレベルの12の行動特徴を構築し、取引レベル、アドレスレベル、フローレベルの信号をリスクベクターに統合する。監視済みモデルは次に、警告スコアとアラート決定を出力するために用いられる。現在の設定（7トークン、33,242レコード）の下では、Random Forestはコア指標でLogistic Regressionを上回り、AUC=0.9098、PR-AUC=0.9185、F1=0.7429を達成する。アブレーション結果は、取引レベルの特徴が主要な性能推進力であることを示しており（削除時Δ PR-AUC = -0.1843）、一方でアドレスレベルの特徴は安定した補完的利得を提供する（Δ PR-AUC = -0.0573）。このモデルは、サブセットのサンプルに対して実用的な早期警告の潜在能力も示しており、平均リードタイム（v1）は3.8133時間である。誤検出プロファイル（FP=1、FN=8）は、現在のシステムが高精度のスクリーナーとしての位置づけの方が適しており、高再現性の自動警報エンジンとしてのものではないことを示している。主な貢献は三つある：実行可能で再現性のあるラグプル警告パイプライン、弱教師あり学習下でのマルチ粒度ウオッシュ・トレーディング特徴の経験的検証、リードタイムと誤差境界分析を通じたデプロイメント指向の証拠。