元数据与概览(引言与报告概览)
报告标题:Price manipulation schemes of new crypto-tokens in decentralized exchanges;作者:Manuel Naviglio, Francesco Tarantelli, Fabrizio Lillo;机构:Scuola Normale Superiore、INFN Sezione di Pisa、Università di Bologna;数据时间窗/研究对象:Uniswap V2 上 2024-10-02 至 2024-12-02 的新代币及其市场行为(论文摘录与作者信息来源)1 .
核心论点与结论摘要:作者旨在从“金融/量化”角度量化并分析 Uniswap V2 上新发代币的规模、流动性陷阱(honeypots)、rug pull、sandwich 攻击的盈利性与分布,并通过简单买持策略、NTV(Net Traded Value)指标与聚类分析(swap time 与 physical time)来揭示这些现象对市场流动性与投资者可实现收益的实质性影响1 ,2 .
研究方法简介:链上数据抓取(RPC 节点如 Infura/Alchemy),识别新建 pair 与 swap、mint/burn 事件;借助外部安全检测(Honeypot.is、GoPlus)进行 honeypot 判别;在交易层面使用常数乘积 AMM 模型模拟交易并测试买持策略与 MEV/夹击(sandwich)相关推导与最优规模计算3 ,4 ,7 ,19 .
逐节深度解读
引言与贡献(Section 1)
要点:DEX(以 Uniswap V2 为代表)允许快速生成新代币并立即交易;大量新代币伴随高回报表象但潜藏重大风险(honeypots、rug pulls、MEV)且这些风险在早期数个 swap 内即显现1 .
推理与证据:作者指出已有大量针对智能合约安全的研究,但缺乏从金融量化角度对这些新代币在规模与可实现价值(可变现程度)上的系统量化分析,论文弥补这一空白并引入 NTV 等金融量化指标1 .
数据集与代币分类(Section 2)
数据集规模与采集:共 17,194 个新代币(2024-10-02 — 2024-12-02);通过监听新区块事件获取 pair 创建、swap、mint/burn 等链上事件;过滤 Uniswap V3 的理由(V3 新代币数量远小于 V2 且多数 V3 池流动性低)说明研究聚焦合理性3 .
分类方法(sellable vs honeypot):采用时间序列行为 + 两个外部检测服务(GoPlus 静态代码检测、Honeypot.is 动态模拟卖单)——若任一服务判为 honeypot 则归为 honeypot;作者说明两者互补性(静态能捕获代码可疑逻辑,动态能捕获运行时限制)并给出最终分类比率:约 12% 为可卖(2,080),88% 为 honeypot(15,114),Honeypot.is 检测率 91.6%,GoPlus 81.6%,选择并集较为稳健3 ,2 ,3 .
新代币早期特征(Section 3)
代币生成速率与早期行为:平均每天/每小时新代币生成速率高(大约每小时 ~15 个,即日均约 200 个;附图/附录支持)并且 honeypot 在新代币总量中占显著多数,导致大量流动性被“锁死”在 honeypot 中,从而扭曲市场活跃度感知3 .
交易次数与分布差异:图 1a(下述图像)显示 honeypot 的 swap 数分布集中在非常少的交易(中位数 ~42 swaps),而 sellable 代币有更长尾(中位数 ~363 swaps),这说明 honeypot 多为短寿命且初期有买入但无法卖出行为4 .
交易金额分布:图 1b 显示 WETH 量分布在买/卖方向上的差异,买方(正向)有明确的峰值(暗示 bot 或固定投资额行为),而卖方趋于较均匀分布;这是对早期流动性与价格冲击成因的实证证据4 .
图表(Section 3 图 1)——图形显示与解读
描述:左图 (a) 为代币 swap 次数的归一化分布(honeypot 橙、sellable 蓝绿),右图 (b) 为 swap 的 WETH 数量分布(负为卖出、正为买入)3 .
解读趋势:honeypot 集中在极低 swap 数(峰值在几十以内)且迅速衰减,sellable 则具有更长尾;买入端峰值暗示存在自动化 bot 以固定金额下单,进一步促成早期价格上冲(低流动性条件下放大利差)4 .
与文本关系:图形视觉地支撑了文本关于 honeypot 更短寿命、买入峰值由 bot 引发等陈述4 .
局限性与来源注记:图表基于 V2 数据且剔除了 V3 大量样本;由于 honeypot 由不同检测逻辑标注,图示中分类受检测供应商策略影响(静态/动态差异)3 .
简单买并持策略实验(Section 4)
策略设定与理由:作者以“在第 60 次 swap 进入并随后在若干 swap 窗口内按规则退出”为基准,初始投入 Δx = 0.016 WETH(取自 swap 量分布模态),60 次作为进入点的理由:回避首块极高 gas、避开绝大多数在前几十次即殒灭的代币,同时在 Appendix B 验证期望收益关于进入阈为单调增长(在 50–100 范围内稳健)4 .
交易撮合模拟模型:采用 Uniswap V2 的恒乘不变量 x·y = k(考虑 0.3% 手续费,故有效 r = 0.997),购买 Δy、随后在每笔后续 swap 按常数乘积规则计算可售回 Δx_n,并减去固定 gas 成本 G=0.002 WETH 来计算净利润 P_n,且定义了一组随 n 递减的出售收益门槛(在不同时段降低倍数)4 ,5 .
策略结果概览:在对 7,213 个投出的代币中约 70.9% 显示正利润、29.1% 未能退出导致固定亏损 P_loss = -0.018 WETH;总体累计净利 P_total = 2180.24 WETH,相对于总投资 140.06 WETH 表面化收益率 1556.67%(但作者指出大量收益源自 honeypot 虚假收益)5 ,6 .
图表(Section 4 图 2)——策略利润分布
描述:利润分布直方图(0–0.015 ETH 区间可视化),honeypot(橙)与 sellable(蓝绿)分层展示5 .
解读:绝大多数正利润集中于非常小的绝对利润区间,但存在极端正向离群(最大 1056.07 WETH),这些极端值驱动总体收益显著上升;作者强调这些极端通常与 honeypot 或 sandwich 事件相关,故不可简单等同为可实现的“普通”收益5 ,6 .
NTV(Net Traded Value)与市场价值度量(Section 5.1)
NTV 定义与经济含义:NTV^i(N_t) = (Σ_t ν_t^i) · p^i(t=N_t),其中 ν_t^i 为带符号的代币数量(买入为正、卖出为负),p^i 为边际价格(以 WETH 计);NTV 聚合了方向性交易价值,可视为在某一 swap 深度下“可提取/已提取的经济价值”的代理量度,而非绝对市值7 .
NTV 的发现与表格证据:图 3(下述)和 Table 1 给出 N_t = 100,1000 时 NTV 的分布和汇总:例如在第 10 个 swap 时约 94% 的“新代币市场价值”被锁在 honeypot 中;在 1000 次 swap 时仍有 >50% 的 NTV 锁在 honeypot,说明 honeypot 对流动性抽取的持续影响7 .
图表(Section 5.1 图 3)
描述:NTV 在 100 与 1000 swap 时的直方分布(honeypot 橙、sellable 青色)与中位数标注7 .
解读:短期(100 swap)honeypot 的 NTV 分布具有更长的右尾与更高中位数(示例中 honeypot median 26.12 vs sellable 6.04),表明 honeypot 吸附了较多名义价值;随时间展期到 1000 swap,分布趋于收敛但 honeypot 仍保有显著份额(见 Table 1),验证文本陈述7 .
局限性:NTV 依赖价格作为标尺(若价格由极低流动性人为抬高则会夸大 NTV),且 NTV 为池级内部量度,不直接修正跨 DEX 或 V3 等链上并行流动性的补偿(作者对该局限有所讨论)7 .
极端 NTV 案例(正/负值)的经济解释:负 NTV 多源于代币发行者在后期卖出原本未纳入初始流动性的大量代币(hidden supply sell-off),导致价格崩溃;极高正 NTV 多关联 rug pull(流动性被抽走,残留极低流动性导致极小买单引发极高价格滑点)7 ,8 .
图 4(下述)展示最大 NTV 与同时刻流动性 L 的散点——极高 NTV 多聚集于极低 L 区域,且几乎全部为 honeypot,支持“高 NTV + 低流动性 → 人为操纵/拔流”的解释8 .
图表(Section 5.1 图 4)
描述:log-log 散点显示每个代币 lifetime 内最大 NTV 与对应时点流动性 L 的关系(除去最极端 0.14% 负值)8 .
解读:高 NTV 倾向出现在低流动性处,暗示极致价格变动常由流动性操作(例如 rug pull)而非天然需求驱动;作者也指出 detection 方法可能将部分 rug pull 事件标为 honeypot(因为动态模拟无法卖出)8 .
举例性交易序列(Table 2):作者列示某 pair 在 owner burn(几乎抽光流动性)之后出现小量买单导致价格暴涨的序列,说明 rug pull 后少量交易在极低流动性环境下造成巨大价格错配,进一步显示 NTV 结构化风险8 .
Sandwich 攻击(Section 5.2 与 Appendix C)
发现与重要性:在拥有 ≥100 swaps 的代币中,约 68% 的 honeypot 与 90% 的 sellable 经历过至少一次 sandwich 攻击事件(基于数据估计),且本文策略中产生的大部分极端正向利润依赖于捕捉 sandwich 导致的瞬时价格峰值(即策略在 swap time 下能“理论上”获利但在物理时间下难以实现)9 .
机制与公式化:Appendix C 推导出攻击者收益 s(Δx_a; Δx_ε) 的闭式表示,找到局部极大时的 Δx_a^max ≈ Δx_ε / f − x(式 (11)),以及对应 s_max = (Δx_ε − f x)^2 / Δx_ε 的表达,结论要点包括:只有当受害者的交易量 Δx_ε > f x(即受害者规模超过费用比例 × 储备)时才存在正收益机会,且在流动性非常深(x→∞)时攻击趋于无利可图(s < 0),因此 sandwich 在低流动性池更有利可图,这解释了其在新代币池的高发生率9 ,20 ,21 .
图表(Section C 图 15)
描述:s(攻击净获利)关于 Δx_a 的曲线示例(x=1, r=0.997, Δx_ε=0.1),红线标示近似最优 Δx_a^max21 .
解读:s 随 Δx_a 初升后降至平台,验证先前代数推断;图示支撑攻击规模存在内生最优且受手续费与储备约束21 .
实务可行性限制:作者强调在实际链上执行中对“在同一块内精确下单(位于受害交易之后)”的要求几乎不可能被散户满足,因为多数 sandwich/MEV 操作通过私有流(FlashBots)提交 bundle 绕过公有 mempool,奠定了理论可行(swap time)与现实可执行(physical time)之间的鸿沟9 ,12 .
swap time vs physical time 的聚类分析(Section 5.3 与 Appendix D)
方法与目的:作者用 K-means(swap time)与 DTW(physical time)对价格轨迹做聚类,比较在“以 swap 为时间单位”与“以物理时钟/区块时间为时间单位”下的轨迹形态,以揭示交易排序与块内并发性对价格轨迹解读的影响10 ,11 ,12 .
在 swap time 下的结果:聚类(k=2,3)显示大部分价格轨迹在初期上升,若干类在中后期回落或持续上升;以 k=2 时可发现一簇(cluster 1)高度富含 honeypot(见 Table 3),表征“连续上升且无卖压”的典型 honeypot 行为10 ,11 .
图表(Section 5.3 图 5、6)
描述與解读:swap-time 聚类呈现早期上涨为普遍特征,但这类分析被条件在“代币必须活到指定 swap 数”上(sample selection bias),因此在物理时间(合并区块同时间戳)下的聚类更贴近实际可执行性的限制10 ,11 .
physical time 下的 DTW 聚类:作者在 Fig.7 中对 honeypot 与 sellable 分别聚类(k=3),显示多数代币在最初数区块内有短暂暴涨随后迅速回落/死亡(尤以 honeypot 第 0/1 类显著),并指出某些 honeypot 类呈“持续上升”曲线以引诱买家(表面上看似稳健却不可卖)12 .
图表(Section 5.3 图 7)
描述與解读:在物理时间尺度下归一化价格轨迹的均值与标准差带(honeypot 与 sellable),揭示第一块/数块极端事件对价格路径的决定性影响及“首块暴涨-随即崩溃”模式的普遍性12 .
估值或盈利性分析(对应开发者“估值分析”部分)
报告并未进行公司或代币的传统估值(DCF、P/E 等);相当于用 NTV 衡量“池级经济价值/可提取价值”的近似量度,并用买持策略蒙特卡/规则模拟与 sandwich 的解析来估算可实现盈利的边界与敏感性(例如对 entry swap、gas 假设、exit thresholds 的稳健性检验)6 ,4 ,20 .
关键假设:常数乘积 AMM(x·y=k)、手续费 0.3%(r=0.997)、固定 gas 估 0.002 WETH、初始买入 Δx=0.016 WETH、进入点第 60 swap,以及卖出阈随 n 分段递减的乘数(2、1.5、1.2 等)4 ,5 . 这些参数直接影响策略回报,但作者对多种参数组合做了鲁棒性测试并报告总体结论相对稳健(不同入场点 50/70/100 的平均回报仍很高)6 .
风险因素评估(Section 5 的风险讨论汇总)
已识别的主要风险:honeypot(无法卖出造成资金被锁)、rug pull(流动性被抽离导致价格崩溃)、大户出售 hidden supply(导致负 NTV 与崩盘)、sandwich/MEV(前后夹击造成瞬时价格操纵或使散户无法在期望位置成交)、高 gas 造成成本侵蚀1 ,7 ,8 ,9 ,5 .
潜在影响:这些风险能使表面上的收益无法兑现(honeypot)、突然摧毁池内可用流动性(rug pull)、或使普通交易者在“物理时间”层面无法复制 swap-time 下的收益(MEV/FlashBots 私有化执行)6 ,9 ,12 .
缓解建议与概率评估:作者建议先使用公开 honeypot/安全扫描(honeypot.is、GoPlus)作为第一筛选,并关注 NTV 与低流动性高 NTV 的组合、出现少数高额买单等红旗;同时承认这些工具在代币刚刚发布的几秒/几块内覆盖不足,难以完全避免风险13 .
批判性视角与方法论细节(审慎评价)
分类与检测偏差:将 token 归类为 honeypot 若任一检测器标记,虽可减少漏判,但会引入更多“假阳性”(如某些 rug pull 导致动态模拟无法卖出而被标为 honeypot),需注意供应商检测逻辑带来的系统性偏差3 ,8 .
样本选择偏差:swap-time 聚类分析仅对存活达到阈值的代币有效,存在幸存者偏差(survivor bias);作者亦自我指认并补以 physical-time 的 DTW 聚类以修正该问题10 ,11 ,12 .
策略可执行性的局限:策略在 swap time 上理论可行但在链上真实执行受区块内交易排序、FlashBots 私有化 bundle、gas 竞价等约束,因而实际复制难度极高——作者就此多次强调并用 DTW 分析佐证9 ,12 .
NTV 的解释性限制:NTV 放大了价格在极低流动性的滑点效应,因此高 NTV 不等同于“真实可变现市值”;作者已讨论但后续研究需更细致地将 NTV 与实际可用 liquidity depth、orderbook-equivalent 指标结合7 .
结论性综合(关键发现整合)
规模与危险并存:在样本期间 Uniswap V2 新代币生成速度极高(约 15 / 小时,日均 200),但其中绝大多数(88%)在生命周期某处被标注为 honeypot,从而锁死大量名义流动性并扭曲市场活跃感知3 ,2 .
表面收益的陷阱:简单买持策略在数据上可显示极高的“表面”收益(总体 1556.67%),但这些收益主要由 honeypot 与夹击等极端事件驱动,因而在现实中对散户不可复制或不可兑现(honeypot 无法卖出、sandwich 需块内精确位置与私有 MEV 渠道)5 ,6 ,9 ,12 .
NTV 与流动性关系:NTV 指标是评估“名义经济价值被抽取/被锁定”的有效工具;统计显示短期(10 swap)时 ~94% 的新代币 NTV 被 honeypot 持有,100/1000 swap 时仍然有相当比例被锁定,且极高 NTV 与极低流动性密切相关(常伴 rug pull 操作)7 ,8 .
Sandwich 的理论/实务认识:通过解析,作者证明 sandwich 在低流动性池更有利可图,存在解析最优攻击规模 Δx_a^max≈Δx_ε/f − x,且在高流动性条件下攻击无利可图;但现实中大多数夹击通过 FlashBots 私有提交执行,进一步压缩普通交易者的可操作性20 ,21 ,9 .
时间尺度的重要性:swap time 与 physical time 给出不同的价格轨迹解读——swap time 易显示可利用的峰值与“持续上涨”曲线(受幸存者偏差),physical time 聚类显示首块暴涨后快速崩盘为常见模式,突显块内并发与交易排序对可实现收益的实质决定性10 ,11 ,12 .
对投资者与研究者的具体可操作建议(作者建议与我方整合)
对散户:在参与新代币时先使用公开 honeypot/is 与 GoPlus 作为初筛工具,关注 NTV 与低池流动性结合的红旗(高 NTV + 低 L)、早期出现少量大额买单的池子要谨慎;即使避开 crowd,仍要意识到 MEV 与私有 bundle 带来的不可控执行风险13 ,12 .
对研究者:建议进一步研究能在代币创建极早期(甚至创建时)识别 rug pull 与 honeypot 的合同特征、并将 NTV 与 on-chain depth 指标、跨 DEX 流动性联系起来,以及模拟在 FlashBots 盛行条件下的实务可执行性13 .
参考与溯源提示
本分析所有直接引用或基于原文得出的事实/结论均在句末以 [page::N] 形式给出页码溯源,读者可据此回溯原文对应段落以核对细节(示例页码覆盖 0–21 篇幅)1 .
附:文中所引用主要图表(报告原图的相对路径——按文内引用次序)
Fig.1 (Number of swaps / WETH distribution): 3 .
Fig.2 (利润分布): 5 .
Fig.3 (NTV histograms): 7 .
Fig.4 (max NTV vs liquidity): 8 .
Fig.5/6 (swap-time clustering): 10 ,11 .
Fig.7 (physical-time DTW clustering): 12 .
Appendix: sandwich 演示 & 最优点可视化: 19 ,21 .
(以上分析基于并严格溯源于原文各段与图表;如需我把全文中每个数据点、公式逐行溯源并列出对应页码/行号或导出可机器可读表格/示例代码以复现作者实验,请指示需要的格式与重点部分,我可继续扩展。)