经过训练的人眼可以看图表，瞬间感受到哪里不对劲。 气泡图可以揭示钱包集群和不健康的集中度。 我们已经收集了常见的信号，主要持有者的百分比分布、放弃铸造、销毁流动性、供应集中……所有基础知识。但这对一个自主的AI交易者来说仍然不够。基本信号仍然是信号，但AI需要更多。 这需要时间。 这是算法工作。 这些模式是手工制作的，基于数百个监控的代币，经过真实示例、边缘案例和实时数据的测试，直到规则变得稳定可靠。 我们越是沉默，就越是努力。 AI必须结合社交吸引力、项目的严肃性，最重要的是解码一个从不撒谎的指标：图表。 如果图表看起来混乱、被迫或人为操控，你就不要交易它。 就这样。 我们的引擎旨在为自主代理提供强信号、弱信号和数学基础的模式。 以下是已经准备好启动的模式。 🧵1/5

🧵2/5 🚨 模式 #1 - 买入欺诈（检测） 气泡图绕过。 1) 时间窗口 (Δt ≤ 7s) 间隔 ≤7秒的买入被归为一组。 这并不意味着是欺诈，只是形成了一个集群（需要≥4笔交易）。 2) 交易量均匀性 我检查每笔买入量与集群中位数的偏差：|Vi − M| / M ≤ 0.40 如果每笔交易都在这个范围内 → 不自然的均匀性。 3) 上升模式 连续的交易量被测试： Vi+1 ≥ Vi × 0.65 如果≥70%遵循此规则 → 受控的积累曲线 4) 爆发时机 计算买入之间的平均间隔： meanInterval ≤ 1.2s = 机器人级别的时机 没有人类的流动会这样。 标记 = 至少有一个异常触发。 单独的快速买入从未标记为欺诈。 只有快速买入 + 不可能的统计数据 = 欺诈信号。

🧵3/5 🚨 模式 #2 - 序列模式（检测） Bubblemap 绕过。 我如何使用定量规则检测钱包内的诈骗级别重复行为。 1) 预过滤 仅在以下情况下分析交易： Vᵢ ≥ 10 且 typeᵢ ∈ {BUY, SELL} 且 tokenᵢ = target。 在任何信号提取之前去除噪声。 2) 运行构建 连续相同的操作被合并为运行： BUY BUY BUY → run(BUY) SELL SELL → run(SELL) 这些运行揭示了钱包的结构行为。 3) 转换模式 从每对运行中： Pₖ = typeₖ → typeₖ₊₁ （例如，BUY→SELL，SELL→BUY） 4) 重复规则 当相同的转换重复时，模式变得可疑： count(P) ≥ 2 诈骗钱包通常会重复使用相同的操作序列。 5) 延迟检查 对于重复模式，我测量时间： Δt = t₂ − t₁ 如果 Δt ≤ 6s，重复的时间间隔过于紧凑，不自然 — 这是用于误导观众的脚本诱饵模式的典型标志。 标记条件 count(P) ≥ 2 且 Δt ≤ 6s 重复序列 + 不自然的时间 = 故意的行为伪造 — 诈骗标记。

🧵4/5 🚨 模式 #3 - 洗盘交易（检测） 我如何使用定量规则检测同钱包虚假交易量 1) 交易量相关性 只有在重要时才分析买入： tradeShare = Vᵢ / walletVolume ≥ 0.005 marketShare = Vᵢ / globalVolume ≥ 0.001 2) 时间窗口 (Δt ≤ 180s) 对于每个买入 b，我会搜索来自同一钱包的卖出 s： Δt = tₛ − t_b ≤ 180s 3) 交易量匹配 卖出必须与买入相对应： |Vₛ − V_b| / V_b ≤ 0.30 4) 代币匹配 钱包必须卖出刚刚购买的相同代币： s.TokenIn = b.TokenOut 标记条件 所有条件必须成立： tradeShare ≥ 0.005 AND marketShare ≥ 0.001 AND Δt ≤ 180s AND |Vₛ − V_b| / V_b ≤ 0.30 买入 > 卖出 > 同一钱包 > 同一代币 > 同一规模 > 同一窗口 = 洗盘交易诈骗信号。 这个泡沫图不会让我出错！

🧵5/5 现在这是一个干净的代币。感谢 @littupdev 我们没有选择 $GAIN，我们并不是那么拼命（是的，它很干净） 这个代币仅显示出最小的买入欺诈痕迹，不足以触发引擎，因此被标记为弱信号，并严格执行规则。