A Fractal View on Losses Attributable to Scams in the Market for Initial Coin Offerings
Notice bibliographique
Résumé
Analogous to traditional Initial Public Offerings (IPO), Initial Coin Offerings (ICOs) represent an emerging channel through which firms can access external funding using the new evolving digital financial market for tokens. However, while ICOs represent an alternative funding channel for startups, the ICO market is essentially unregulated, which creates opportunities for fraud such as ‘ICO scams’. This paper addresses the question as to what the expected losses attributable to scams in the market for ICOs are. Using web scrapping techniques, all ICOs launched between August 2014 and December 2019 were first screened for accusations of fraud, before a novel methodological framework was employed to understand the true costs associated with scams. The findings reveal that 56.80% of ICOs were subject to scams, corresponding to 65.80% of the relevant market capitalization, estimated at USD 15.38 billion. Moreover, it is found that the loss distribution due to scam ICOs is governed by a fractal process. Specifically, the power law exponent for the distribution governing losses due to scam ICOs suggests that the second moment is not defined, rendering the sample mean unstable. Taken together, the results in this paper provide evidence that we have not yet seen the largest loss in the market for ICOs and are supportive of an urgent need for ICO market regulations from governments and regulatory agencies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,004 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,003 |
| Communication savante | 0,002 | 0,005 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».