訓練有素的人眼可以看著圖表，瞬間感覺到有什麼不對。 氣泡圖可以揭示錢包集群和不健康的集中度。 我們已經收集了常見的信號，主要持有者的百分比分佈、放棄鑄造、燒毀流動性、供應集中……所有基本的東西。但這對於一個自主的AI交易者來說仍然不夠。基本信號仍然是信號，但AI需要更多。 這需要時間。 這是算法工作。 這些模式是手工製作的，基於數百個監控的代幣，經過真實範例、邊緣案例和實時數據的測試，直到規則變得穩定和可靠。 我們越是沉默，我們就越是努力。 AI必須結合社交吸引力、項目的嚴肅性，最重要的是解碼那個永遠不會說謊的指標：圖表。 如果圖表看起來混亂、被迫或人為設計，你就不要交易它。 就這樣。 我們的引擎存在是為了給自主代理提供強信號、弱信號和數學基礎的模式。 這裡是已經準備好啟動的模式。 🧵1/5

🧵2/5 🚨 模式 #1 - 購買欺騙（檢測） 泡沫圖繞過。 1) 時間窗口 (Δt ≤ 7s) 間隔 ≤7s 的購買被分組。 這並不意味著詐騙，它只是形成了一個集群（需要 ≥4 筆交易）。 2) 交易量均勻性 我檢查每筆購買的交易量與集群中位數的偏差程度：|Vi − M| / M ≤ 0.40 如果每筆交易都符合這個範圍 → 不自然的均勻性。 3) 上升模式 連續的交易量被測試： Vi+1 ≥ Vi × 0.65 如果 ≥70% 符合這個規則 → 受控的累積曲線 4) 爆發時機 計算購買之間的平均間隔： meanInterval ≤ 1.2s = 機器人級別的時機 沒有任何人類流量會這樣行為。 標記 = 至少有一個異常觸發。 僅僅快速購買從來不會標記為詐騙。 只有快速購買 + 不可能的統計數據 = 欺騙信號。

🧵3/5 🚨 模式 #2 - 序列模式（檢測） Bubblemap 繞過。 我如何使用定量規則檢測錢包內的詐騙級重複行為。 1) 預過濾 僅在以下情況下分析交易： Vᵢ ≥ 10 且 typeᵢ ∈ {BUY, SELL} 且 tokenᵢ = target。 在任何信號提取之前去除噪音。 2) 運行構建 連續相同的行為被合併為運行： BUY BUY BUY → run(BUY) SELL SELL → run(SELL) 這些運行揭示了錢包的結構行為。 3) 轉換模式 從每對運行中： Pₖ = typeₖ → typeₖ₊₁ （例如，BUY→SELL，SELL→BUY） 4) 重複規則 當相同的轉換重複時，模式變得可疑： count(P) ≥ 2 詐騙錢包經常重複使用相同的行動序列。 5) 延遲檢查 對於重複模式，我測量時間： Δt = t₂ − t₁ 如果 Δt ≤ 6s，則重複的時間間隔過於緊湊，不自然 — 這是用於誤導觀眾的腳本誘餌模式的典型跡象。 標記條件 count(P) ≥ 2 且 Δt ≤ 6s 重複序列 + 不自然的時間 = 故意的行為製造 — 一個詐騙標記。

🧵4/5 🚨 模式 #3 - 洗盤交易（檢測） 我如何使用定量規則檢測同錢包的虛假交易量 1) 交易量相關性 只有在重要的情況下才分析買入： tradeShare = Vᵢ / walletVolume ≥ 0.005 marketShare = Vᵢ / globalVolume ≥ 0.001 2) 時間窗口 (Δt ≤ 180s) 對於每個買入 b，我會尋找來自同一錢包的賣出 s： Δt = tₛ − t_b ≤ 180s 3) 交易量匹配 賣出必須與買入相對應： |Vₛ − V_b| / V_b ≤ 0.30 4) 代幣匹配 錢包必須賣出剛剛購買的相同代幣： s.TokenIn = b.TokenOut 標記條件 所有條件必須成立： tradeShare ≥ 0.005 AND marketShare ≥ 0.001 AND Δt ≤ 180s AND |Vₛ − V_b| / V_b ≤ 0.30 買入 > 賣出 > 同一錢包 > 同一代幣 > 同一大小 > 同一窗口 = 洗盤交易詐騙信號。 這個泡泡圖不會讓我錯！

🧵5/5 現在這是一個乾淨的代幣。向 @littupdev 致敬 我們沒有拿 $GAIN，我們不是那麼拼命（是的，它是乾淨的） 這個只顯示出最小的買入欺騙痕跡，不足以觸發引擎，因此被標記為弱信號，並且有嚴格的規則執行。