01 背景与挑战
链上聪明钱追踪是许多研究者关注的焦点，但常见的问题是：榜单更新频繁、幸存者偏差显著、以及混杂了大量的刷量机器人与老鼠仓。
一套可核验的聪明钱识别框架
结合资金、行为与时间的多维过滤，能够在较低误报率下识别出更稳定的聪明钱名单。
Lee··15 分钟·聪明钱
先看结论
- 传统榜单常混杂刷量与短期对冲地址。
- 通过资金规模、交易留存与时间跨度的三重过滤，可大幅降低虚假信号。
- 名单应作为动态观察池，而非绝对跟单标的。
不同识别方法的有效钱包数量（示意数据）
结合资金、行为与时间的多维过滤，能够在较低误报率下识别出更稳定的聪明钱名单。
数据来源：LeeOnChain · 示意数据
02 多维过滤逻辑
我们提出三层过滤机制：
- 基础筛选：剔除合约地址与做市商热钱包。
- 行为过滤：排除单日超过 50 次微额交易的高频套利与对敲地址。
- 多维交叉：结合跨链桥沉淀与历史持有周期。
03 总结与验证
可验证的框架让研究者能够持续复现结果，并随着市场结构演进调整风控阈值。