Pesquisa testa detecção precoce de "rug pulls" em tokens da Solana com apenas 12,5 minutos de dados
Um estudo acadêmico analisou 2.700 tokens da Solana para avaliar se redes neurais de grafos (GNNs) conseguem identificar sinais de rug pull — o golpe de investimento em cripto onde criadores drenam a liquidez e somem com o dinheiro — usando apenas os primeiros minutos de histórico de negociação. Os autores definiram rug pull de forma objetiva, exigindo drenagem de liquidez, colapso de preço e depleção persistente em 24 horas, e compararam modelos baseados em grafo com modelos tradicionais sobre as mesmas janelas de tempo. Os resultados mostram que diferenças estruturais entre tokens fraudulentos e legítimos já aparecem nos primeiros 12,5 minutos de vida do token, o que é relevante para quem constrói sistemas de alerta antifraude em exchanges, carteiras e launchpads de Web3.
Rug pull é um dos golpes de investimento em criptomoedas mais comuns e financeiramente destrutivos no ecossistema Web3: criadores lançam um token, atraem compradores com promessas de valorização e, assim que há liquidez suficiente, retiram todo o capital do pool de negociação, deixando os investidores com tokens sem valor. Na rede Solana, esse golpe é particularmente rápido de executar porque criar um token é barato e não exige contratos inteligentes customizados — os golpistas usam programas padrão da própria rede, o que permite montar e desmontar o esquema em poucos minutos.
O artigo acadêmico em questão ataca exatamente esse problema de velocidade: como gerar um alerta de risco útil quando o histórico disponível de um token recém-criado é de apenas alguns minutos? Os pesquisadores coletaram dados de 2.700 tokens da base SolRPDS, cruzando históricos de preço minuto a minuto (via Birdeye) com dados de transferências on-chain (via RPC da Solana). Para evitar ambiguidade, definiram rug pull de forma operacional e verificável: só conta como rug pull o token que apresenta drenagem de liquidez, colapso de preço e depleção persistente de liquidez sustentada por 24 horas — um critério que filtra quedas de preço naturais de golpes deliberados.
A pergunta central do estudo é se a estrutura da rede de transferências (quem manda tokens para quem, com que frequência, com que concentração) carrega informação preditiva além das métricas tradicionais de preço e volume. Para responder, os autores representaram cada token como um grafo temporal de transferências e compararam modelos de rede neural de grafos (GNN) contra modelos convencionais alimentados pelas mesmas variáveis agregadas, testando três janelas de observação (12,5, 35,5 e 93 minutos) escolhidas com base na distribuição real de tempo de vida de rug pulls já documentados. O achado mais relevante é que, já nos primeiros 12,5 minutos, tokens fraudulentos e legítimos se distinguem por características estruturais do grafo — tamanho, densidade, reciprocidade de transferências e concentração do lado receptor —, o que sustenta a viabilidade de um alerta precoce antes mesmo de o golpe se consumar.
Para equipes de risco e antifraude que atuam em exchanges, carteiras, agregadores de dados on-chain e interfaces de launchpads, o valor prático deste tipo de pesquisa está em mostrar que sinais topológicos de rede (não apenas preço) podem alimentar motores de risco em tempo real para marcar tokens suspeitos nos primeiros minutos após o lançamento — exatamente a janela em que um investidor comum ainda está decidindo se compra. Na ausência de ferramentas automatizadas, o usuário final continua sendo a última linha de defesa: contratos sem auditoria pública, liquidez concentrada em poucas carteiras, ausência de bloqueio de liquidez (liquidity lock) e promessas de retorno rápido seguem sendo os sinais manuais mais confiáveis para evitar cair em um rug pull.