Web3'te Biçimlendirilmiş Gerçekler: Token Getirileri ve Piyasa Dinamiklerinin İstatistiksel Analizi

1. Giriş

Finansal manzara, kripto paraların ve daha geniş Web3 ekosisteminin ortaya çıkışıyla köklü bir dönüşüm geçirmektedir. Bitcoin bu alana öncülük ederken, Ethereum ve akıllı sözleşmelerin tanıtımı, Merkeziyetsiz Finans'ın (DeFi) gelişimini hızlandırarak, sadece para birimlerinin ötesinde geniş bir dijital "token" yelpazesi yarattı. Bu makale, geleneksel finansal piyasalardan yerleşik "biçimlendirilmiş gerçekler" kavramını, yeni oluşan Web3 token evrenine uygulayan öncü bir istatistiksel analiz sunmaktadır. Merkeziyetsiz borsalar (DEX), likidite havuzları ve merkezi borsalar (CEX) üzerindeki token'ları sistematik olarak karşılaştırıyor, getiri dağılımlarını, kuyruk risklerini ve zamansal bağımlılıklarını analiz ederek bu yeni varlık sınıfını yöneten temel istatistiksel özellikleri ortaya çıkarıyoruz.

2. Web3 Ekosistemlerinde Blockchain ve Token'lar

Web3 finansal dinamiklerini anlamak, altta yatan teknoloji ve varlık türlerinin temel bir kavrayışını gerektirir.

2.1. Blockchain Teknolojisi

Blockchain, Web3'ün temelini oluşturan değiştirilemez, dağıtılmış defterdir. İş İspatı (PoW) ve Hisse İspatı (PoS) gibi konsensüs mekanizmaları, çift harcama problemini çözerek güvene dayanmayan işlemlere olanak tanır. Ethereum gibi platformlar, Turing-complete akıllı sözleşmeler aracılığıyla bu işlevselliği genişletir; bunlar, borç verme protokolleri (Aave, Compound) ve otomatik piyasa yapıcıları (Uniswap, Curve) gibi DeFi uygulamalarının bel kemiğini oluşturan kendi kendine yürütülen anlaşmalardır.

2.2. Web3'te Token Taksonomisi

"Token" terimi, çeşitli faydalara sahip geniş bir dijital varlık yelpazesini kapsar:

• Yerel/Ödeme Token'ları (örn., ETH, SOL): İlgili blockchain'lerinde temel para birimi ve işlem yürütme için "yakıt" görevi görür.
• Yönetişim Token'ları (örn., UNI, CRV): Protokolleri yöneten merkeziyetsiz otonom organizasyonlarda (DAO) oy hakkı verir.
• Fayda Token'ları (örn., LP Token'ları): Bir protokol içindeki varlıklar üzerinde hak iddia eder; örneğin, bir ticaret havuzundaki payı belirten likidite sağlayıcı (LP) token'ları.
• Stablecoin'ler (örn., USDC, DAI): Bir itibari para birimine sabitlenmeyi amaçlar ve DeFi içinde bir değişim aracı ve değer deposu olarak hizmet eder.

3. Metodoloji ve Veri

Analizimiz, 2020-2024 yıllarını kapsayan seçkin bir Web3 token sepeti için yüksek frekanslı ve günlük fiyat verilerini kullanmaktadır. Veri seti, büyük CEX'lerden (Binance, Coinbase) ve DEX'lerden (Uniswap v2/v3, Curve) token'lar içermektedir. Getiriler $r_t = \log(P_t) - \log(P_{t-1})$ olarak hesaplanmıştır. Normallik (Jarque-Bera), otokorelasyon (Ljung-Box) ve oynaklık modellemesi (GARCH ailesi) için biçimlendirilmiş gerçekleri belirlemek amacıyla titiz ekonometrik testler uyguluyoruz.

4. Web3 Token'larının Ampirik Biçimlendirilmiş Gerçekleri

Teknolojik yeniliklerine rağmen, Web3 token'ları geleneksel finansal varlıklarla dikkat çekici derecede tutarlı istatistiksel özellikler sergilemektedir.

4.1. Kalın Kuyruklu Getiri Dağılımları

Getiriler kesinlikle Gaussyen değildir. Koşulsuz olasılık yoğunluk fonksiyonları "ağır kuyruklar" sergiler, yani aşırı fiyat hareketleri (hem çöküşler hem de yükselişler) normal bir dağılımın öngördüğünden çok daha sık meydana gelir. Bu, yüksek basıklık değerleri ve Aşırı Değer Teorisi (EVT) ile tahmin edilen pozitif kuyruk indeksleri ile nicelendirilir. Genelleştirilmiş Pareto Dağılımı'ndaki (GPD) şekil parametresi $\xi$, $\xi \neq 0$ için $G_{\xi,\beta}(x) = 1 - (1+\xi x/\beta)^{-1/\xi}$ tipik olarak pozitiftir ve ağır kuyruklu davranışı doğrular.

4.2. Toplama Normalliği

Örnekleme aralığı arttıkça (örn., dakikalardan günlere ve haftalara), getiri dağılımı Gaussyenliğe yakınsar. Klasik bir biçimlendirilmiş gerçek olan bu zamansal toplama etkisi, Web3 token'ları için geçerlidir. Merkezi Limit Teoremi, yüksek frekanslı gürültüyü ve kalın kuyrukları yavaş yavaş düzleştirerek etkisini gösterir.

4.3. Oynaklık Kümeleşmesi

Yüksek oynaklık dönemleri bir arada kümelenme eğilimindedir ve ardından nispeten sakin dönemler gelir. Bu, getiri zaman serilerinde görsel olarak açıktır ve karesi veya mutlak değeri alınmış getirilerdeki anlamlı, yavaşça azalan otokorelasyon ile doğrulanır. Bu, piyasa stresinin kalıcı olduğunu, bağımsız ve özdeş dağılımlı (i.i.d.) olmadığını ima eder.

4.4. Kaldıraç Etkisi ve Zaman Tersinmezliği

Hisse senetleriyle karşılaştırıldığında, zayıf veya tutarsız bir "kaldıraç etkisi" (negatif getirilerin gelecekteki oynaklığı pozitif getirilerden daha fazla artırması) buluyoruz. Ancak, zaman tersinmezliği mevcuttur: geçmiş oynaklığın dinamikleri, gelecekteki getirileri doğrusal olmayan bir şekilde etkiler ve bu, Heterojen Otoregresif (HAR) modeli gibi modellerle yakalanabilir.

5. CEX vs. DEX: Karşılaştırmalı Bir Analiz

Kritik bir bulgu, CEX'lerde ve DEX'lerde işlem gören varlıklar arasındaki istatistiksel benzerliktir. Piyasa yapısındaki temel farklara—emir defterleri vs. otomatik piyasa yapıcıları (AMM), saklama modelleri ve likidite parçalanması—rağmen, temel biçimlendirilmiş gerçekler (kalın kuyruklar, oynaklık kümeleşmesi) büyük ölçüde örtüşmektedir. Bu yakınsama, öncelikle platformlar arasındaki fiyat farklılıklarından yararlanan arbitrajcılar tarafından yönlendirilir; bu da piyasaları etkin bir şekilde birbirine bağlar ve istatistiksel eşitliği sağlar. Ancak, DEX'e özgü token'lar (örn., LP token'ları), gömülü getiri mekanizmaları nedeniyle benzersiz uzun vadeli getiri profilleri sergileyebilir.

6. Temel İçgörüler ve İstatistik Kartları

7. Teknik Çerçeve ve Matematiksel Modeller

Bu gerçekleri modellemek için standart ekonometrik araçlar uygulanabilir ancak uyarlama gerektirir:

• Oynaklık Modellemesi: GARCH(1,1) modelleri, $\sigma_t^2 = \omega + \alpha r_{t-1}^2 + \beta \sigma_{t-1}^2$, kümeleşmeyi etkili bir şekilde yakalar. EGARCH veya GJR-GARCH gibi uzantılar asimetrik etkileri test edebilir.
• Kuyruk Riski: Değer Riski (VaR) ve Beklenen Açık (ES), EVT veya filtrelenmiş tarihsel simülasyon kullanılarak hesaplandığında, Gaussyen tabanlı yöntemlere göre daha doğru risk ölçüleri sağlar.
• Çok Değişkenli Bağımlılıklar: Dinamik Koşullu Korelasyon (DCC-GARCH) modelleri, portföy oluşturma için çok önemli olan token'lar arasındaki zamanla değişen korelasyonları ortaya çıkarır.

8. Deneysel Sonuçlar ve Grafik Açıklamaları

Grafik 1: ETH Getiri Dağılımı ve Q-Q Grafiği (Günlük): ETH günlük getirilerinin bir histogramı, üzerine yerleştirilmiş uyarlanmış bir normal dağılımla birlikte daha yüksek zirveleri ve daha kalın kuyrukları açıkça göstermektedir. Eşlik eden Kantil-Kantil (Q-Q) grafiği, özellikle kuyruklarda, normallik altında beklenen düz çizgiden önemli ölçüde sapmaktadır.

Grafik 2: Mutlak Getirilerin Otokorelasyonu: Temsili bir token (örn., UNI) için bir çubuk grafik, mutlak getirilerin otokorelasyon fonksiyonunu (ACF) göstermektedir. ACF yavaşça azalır ve birçok gecikme için pozitif kalır; bu, oynaklık kümeleşmesinin ve uzun hafızanın bir işaretidir.

Grafik 3: CEX vs. DEX Fiyat Serileri ve Spread: Çift eksenli bir grafik, 24 saat boyunca büyük bir CEX ve önde gelen bir DEX üzerindeki bir token'ın (örn., USDC/ETH çifti) dakika seviyesindeki fiyatını çizer. Alttaki ikinci panel fiyat farkını (spread) gösterir. Grafik, spread'deki aralıklı ani yükselişlerin hızla arbitrajlanarak ortadan kalktığı sıkı bir bağlantıyı görsel olarak gösterir.

9. Analiz Çerçevesi: Pratik Bir Vaka Çalışması

Vaka: Bir DeFi Likidite Havuzunda Kuyruk Riskinin Değerlendirilmesi
Amaç: Uniswap v3 üzerindeki oynak bir token çifti (örn., ETH/ALT) için bir likidite sağlayıcının pozisyonunun 1 günlük %95 VaR'ını tahmin etmek.
Çerçeve:

1. Veri: ETH ve ALT için tarihsel fiyatları toplayın ve seçilen fiyat aralığı için geçici kayıp fonksiyonunu $IL = 2 \sqrt{fiyat\_oranı} / (1 + fiyat\_oranı) - 1$ olarak hesaplayın.
2. Model: ETH ve ALT getirilerine, dinamik korelasyonlarını ve oynaklıklarını yakalamak için iki değişkenli bir DCC-GARCH modeli uydurun.
3. Simülasyon: Uydurulan modeli kullanarak her iki varlık için 10.000 gelecekteki bir günlük getiri yolu simüle edin.
4. Hesaplama: Her simüle edilen yol için, ortaya çıkan havuz değeri değişimini (kazanılan ücretler ve geçici kayıp dahil) hesaplayın.
5. Sonuç: Simüle edilen değer değişimleri dağılımının 5. yüzdelik dilimi tahmini VaR'dır. Bu EVT/GARCH tabanlı VaR, bir Gaussyen VaR'dan önemli ölçüde daha yüksek olacak ve daha büyük riski doğru bir şekilde işaret edecektir.

10. Gelecekteki Uygulamalar ve Araştırma Yönleri

• On-Chain Veri Entegrasyonu: Gelecekteki modeller, saf fiyat analizinin ötesine geçerek, getiri ve oynaklık için tahmin edici değişkenler olarak on-chain metrikleri (örn., aktif adresler, gaz fiyatları, toplam kilitli değer) dahil etmelidir.
• Katmanlar Arası Analiz: Katman-1 token'ları (ETH, SOL), Katman-2 çözümleri (Arbitrum, Optimism) ve uygulama katmanı token'ları arasındaki istatistiksel bağımlılıklar üzerine araştırma gereklidir.
• Merkeziyetsiz Türevler: Biçimlendirilmiş gerçekler, dYdX ve GMX gibi protokollerde opsiyonlar ve sürekli takasların fiyatlandırılması ve risk yönetimi için çok önemli olacaktır.
• Düzenleyici Risk Modellemesi: Düzenleyici duyuruların etkisini, token getiri süreçlerinde "sıçrama" olayları olarak nicelendirmek.
• Makine Öğrenimi Geliştirmesi: Web3 finansal grafiğine transformer modelleri veya grafik sinir ağları uygulayarak, geleneksel sistemik risk literatüründeki yaklaşımlara benzer şekilde, sistemik riski ve yayılmayı tahmin etmek.

11. Analist Perspektifi: Temel İçgörü, Mantıksal Akış, Güçlü ve Zayıf Yönler, Uygulanabilir İçgörüler

Temel İçgörü: Makale, güçlü ve sezgisel olmayan bir gerçeği ortaya koyuyor: DeFi ve Web3'ün radikal yüzeyinin altında, Wall Street ile aynı istatistiksel ritimde atan bir finansal kalp yatmaktadır. Kaos yapılandırılmıştır; yenilik tanıdıktır. Bu bir hata değil—kripto varlıklarının küresel finansal sisteme olgunlukla ve entegrasyonla katıldığını doğrulayan bir özelliktir.

Mantıksal Akış: Argüman zarif bir şekilde basittir. 1) Geleneksel piyasaların bilinen istatistiksel parmak izlerine (biçimlendirilmiş gerçekler) sahip olduğunu belirleyin. 2) Aynı titiz ölçümü yeni Web3 evrenine uygulayın. 3) Çarpıcı benzerlikleri bulun, bunların sadece merak konusu değil, "gerçek" finansal piyasalar olduğunu kanıtlayın. 4) Tek büyük yapısal farkı (CEX vs. DEX) bir kontrol deneyi olarak kullanın, arbitrajın istatistiksel farklılıkları ortadan kaldırdığını ve temel seviyede piyasa verimliliğini gösterdiğini bulun.

Güçlü ve Zayıf Yönler: Gücü, temel ampirizmidir. Web3 için ilk kapsamlı istatistiksel kural kitabını sağlayarak söylemi abartıdan somut verilere taşır. Bu, istatistiksel mekaniği borsalara uygulayan erken dönem ekonofizik çalışmasına benzer. Erken aşama araştırmalarında yaygın olan zayıflık, "neden" üzerine odaklanmak yerine "ne" üzerine odaklanmasıdır. Kalın kuyrukları tanımlar ancak onlara neden olan on-chain mekanikleri (örn., likidasyon kaskadları, yönetişim saldırıları) derinlemesine modellemez. Ayrıca "Web3 token'larını" tek bir bütün olarak ele alır, potansiyel olarak DAI gibi bir stablecoin ile spekülatif bir yönetişim token'ı arasındaki temel farkları gözden kaçırabilir.

Uygulanabilir İçgörüler: Yatırımcılar ve geliştiriciler için bu araştırma, istisnacılığı bırakma çağrısıdır. Portföy Yöneticileri: Mevcut nicel araçlarınız (GARCH, VaR) burada çalışır—onları kullanın, ancak daha kalın kuyruklar için kalibre edin. Kriptoyu büyülü, ayrı bir varlık sınıfı olarak ele almayı bırakın. Protokol Tasarımcıları: Token'ınızın getirileri sonunda bu biçimlendirilmiş gerçekleri göstermiyorsa, bu likidite eksikliğinin veya bozuk bir ekonomik modelin işareti olabilir. Piyasa sağlığının istatistiksel bir imzası vardır. Düzenleyiciler: CEX-DEX yakınsaması, bir tarafı düzenlemenin kaçınılmaz olarak diğerini etkilediğini kanıtlar. Bölümlere ayıramazsınız. Çıkarım derindir: Web3 finansı istatistiksel ergenliğini geçmiştir. Artık onu, bebeklik döneminin evangelist anlatılarıyla değil, geleneksel finansın sofistike, şüpheci araçlarıyla analiz etme zamanıdır.

12. Kaynaklar

1. Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance, 1(2), 223-236.
2. Nakamoto, S. (2008). Bitcoin: A Peer-to-Peer Electronic Cash System.
3. Buterin, V. (2014). Ethereum: A Next-Generation Smart Contract and Decentralized Application Platform.
4. Mandelbrot, B. (1963). The variation of certain speculative prices. The Journal of Business, 36(4), 394-419.
5. Engle, R. F. (1982). Autoregressive conditional heteroscedasticity with estimates of the variance of United Kingdom inflation. Econometrica, 50(4), 987-1007.
6. Bollerslev, T. (1986). Generalized autoregressive conditional heteroskedasticity. Journal of Econometrics, 31(3), 307-327.
7. Zhu, J.-Y., Park, T., Isola, P., & Efros, A. A. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks. Proceedings of the IEEE International Conference on Computer Vision (ICCV). (İki alan arasında tutarlılığı sağlayan bir çerçeve örneği olarak, arbitraj gibi, alıntılanmıştır).
8. Bank for International Settlements (BIS). (2021). Annual Economic Report - Chapter III: Cryptoassets and decentralised finance. (DeFi sistemik riski üzerine otoriter bir dış kaynak).