Zincir üstü gözetim: manipülasyon, kara para ve sistemik risk

Bu sayıda

Bu sayıda tokenizasyonun piyasa gözetimine ne kattığına bakıyoruz: hayali işlemin ölçülen boyutu, kara para izleme kuralları ve Türkiye'de gündemdeki Yatırımcı Risk Merkezi. Lab notunda sentetik bir transfer ağında hayali işlem halkalarını aradık, Kavram köşesinde graf sinir ağlarını anlatıyoruz.

Zincir üstü gözetim: manipülasyon, kara para ve sistemik risk

Geleneksel piyasada bir payın kimden kime geçtiğini izlemek için borsa, takas ve saklama kayıtlarını yan yana koymak gerekir. Tokenize bir varlıkta her transfer, gönderen ve alan adresiyle birlikte zaman damgalı olarak ortak bir deftere yazılır. Gözetim açısından bu hem kolaylık hem yük: veri elde, ama hacmi büyük ve adreslerin arkasındaki kişiler doğrudan görünmüyor.

Hayali işlemin boyutu

Hayali işlem (wash trading), aynı kişinin ya da koordineli bir grubun kendi kendine alıp satarak hacmi şişirmesidir. Cong, Li, Tang ve Yang, 29 kripto borsasını istatistiksel ve davranışsal testlerle incelemiş ve düzenlemeye tabi olmayan borsalarda raporlanan hacmin ortalamada %70'inden fazlasının sahte olduğunu bulmuştur ^[1]. Bu tahmin borsaların beyan ettiği hacme dayanıyor. Zincir üstünde ise doğrudan sayım mümkün: Chainalysis, 2024'te Ethereum, BNB Smart Chain ve Base üzerindeki şüpheli hayali işlem hacmini en fazla 2,57 milyar $ olarak hesapladı ^[2]. Kullandığı kurallardan biri oldukça sade: 25 blok içinde hem alım hem satım yapan, alım ile satım arasındaki tutar farkı %1'in altında kalan ve bunu en az üç kez tekrarlayan adresler. Kurum, bu kuralların bir davranış kalıbını işaretlediğini, manipülasyon kastını tek başına kanıtlamaya yetmeyeceğini de belirtiyor. İki rakam farklı şeyleri ölçtüğü için birbiriyle kıyaslanamaz.

Kara para izleme

Chainalysis verilerine göre 2025'te yasa dışı adreslere en az 154 milyar $ değerinde kripto varlık aktı. Bu, toplam zincir üstü hacmin %1'inden az; yasa dışı hacmin %84'ü ise stablecoinlerle gerçekleşti ^[3]. Mali Eylem Görev Gücü'nün (FATF) Temmuz 2026 güncellemesine göre ankete dahil 109 ülkenin 91'inde seyahat kuralı (Travel Rule) yasalaşmış durumda, ancak bunların yalnızca %40'ı uyum konusunda denetim ya da yaptırım adımı atmış ^[4]. Türkiye'de MASAK'ın Tedbirler Yönetmeliği'nde 25 Aralık 2024'te yapılan değişiklikle, kripto varlık hizmet sağlayıcıları (KVHS) üzerinden yapılan 15.000 TL ve üzeri transferlerde gönderici bilgisinin teyit edilerek mesaja eklenmesi zorunlu oldu; uygulama 25 Şubat 2025'te başladı ^[5][6]. Bilgisi eksik transferi reddetmek ya da karşı kurumla iş ilişkisini sonlandırmak da mümkün.

Ağ neden işe yarıyor

Tek bir transfer çoğu zaman sıradandır: makul tutar, makul saat. Hayali işlem ve fonları katman katman gizleme ise ilişkilerde ortaya çıkar. Dört cüzdan arasında birkaç saat içinde aynı tutarın tur atması ya da bir kontrol adresinin çok sayıda yeni adresi aynı anda fonlaması, işlemler tek tek incelendiğinde fark edilmez. Transferleri düğüm ve kenarlardan oluşan bir graf (ağ) olarak modellemek döngüleri, yoğun kümeleri ve fon yollarını sorgulanabilir hale getiriyor. Chainalysis'in ikinci kuralı, yani beş ya da daha fazla adresi fonlayan kontrol adreslerini aramak, tam da böyle bir ağ kalıbı ^[2]. Yöntemin sınırı da belli: adreslerin kime ait olduğu bilinmezse bir borsanın kendi cüzdanları arasındaki rutin dengeleme ile manipülasyon aynı görünüyor. Lab notu bunu sayılarla gösteriyor.

Türkiye'de sistemik risk ayağı

OVP 2027-2029, sermaye piyasası araçlarının kripto varlık olarak ihracına ilişkin usul ve esasların belirleneceğini ve sistemik riskleri erken tespit etmek amacıyla bir Yatırımcı Risk Merkezi kurulacağını öngörüyor ^[7]. Merkezin yapısı, veri kaynakları ve yetkileri henüz kamuoyuyla paylaşılmadı.

Lab notu: Sentetik bir ağda hayali işlem halkası aramak

Bu deneyde yalnızca sentetik veri kullandık; hiçbir gerçek cüzdan ya da piyasa verisi yok. 30 güne yayılan 2.000 cüzdan ve 20.000 transferlik bir ağ ürettik. Akışın çoğu rastgele. İçine 3-5 cüzdanlık 15 hayali işlem halkası (toplam 171 transfer) ve tuzak olarak bir borsanın kendi cüzdanları arasında yuvarlak tutarla dönen 3 meşru dengeleme döngüsü yerleştirdik.

Ham ağda aktif 1.995 cüzdanın 1.908'i tek bir sıkı bağlı bileşen (strongly connected component) içinde çıktı. Yoğun bir ağda neredeyse herkes bir döngünün parçası; bileşen analizi tek başına ayırt edici değil. Önce tutar ve zaman filtresini uygulayınca ağ 795 cüzdana indi ve 15 halkanın 15'i yakalandı. Yanlış alarm sayısı 3'tü; üçü de meşru dengeleme döngüleriydi, rastgele akıştan gelen yanlış alarm olmadı.

Deneyi 200 farklı rastgele tohumla tekrarladığımızda halkaların ortalama %99'dan fazlası yakalandı. Rastgele akıştan gelen yanlış alarm çalışma başına ortalama 0,3 oldu, meşru döngüler ise her seferinde işaretlendi. Eşikler sonucu belirgin biçimde değiştiriyor: tutar toleransı %0,5'e indirildiğinde yakalama oranı %89'a, zaman penceresi 6 saate indirildiğinde %84'e düştü. Tolerans %5'e çıkınca rastgele yanlış alarm 0,7'ye yükseldi, hesap süresi yaklaşık altı katına çıktı. Gerçek veride gürültü çok daha fazla olacağı için bu oranları bir başarı vaadi olarak okumamak gerekir.

Yöntem notu: Cüzdan aktivitesi birkaç yoğun cüzdan ve uzun bir kuyruktan oluşan Zipf benzeri bir dağılımla atandı; normal tutarlar log-normal, %15'i yuvarlak tutar. Halkalar 2-4 tur döndü, adımlar arası gecikme ortalaması 0,5-8 saat, adım başına tutar kaybı %0-1. Tespit üç adımlı: alıcının 24 saat içinde aynı tutarı (±%2) ilettiği transfer çiftleri işaretlendi; yalnız bu transferlerle kurulan ağda en az üç cüzdanlı sıkı bağlı bileşenler bulundu; bunların içinde 3-5 uzunluğundaki döngülerde, zaman sırasına uyan ve 48 saatte tamamlanan bir transfer dizisi arandı. Cüzdan kümesi bir halkayla en az %50 örtüşen işaret isabet sayıldı. Python ve networkx ile çalıştırıldı.

Kavram köşesi: Graf zekâsı ve graf sinir ağları

Graf zekâsı (graph intelligence), veriyi tek tek kayıtlar yerine varlıklar ve aralarındaki ilişkiler olarak ele alan analizlerin genel adı. En basit hali kurala dayalı sorgulardır: döngü bulmak, kümeleri ayırmak, merkezî düğümleri saptamak. Graf sinir ağları (graph neural networks, GNN) bir adım öteye gider. Her düğüm, komşularından gelen bilgiyi katman katman toplayarak kendi temsilini öğrenir; böylece şüpheli bir adresin iki adım ötesindeki ilişkiler de modele girer. Kara para tespitinde bu fikri sınayan bilinen çalışmalardan biri, 200 binden fazla Bitcoin işlemi ve 234 bin ödeme akışı içeren Elliptic veri setini yayımladı ^[8]. O çalışmada en iyi sonucu rastgele orman (random forest) verdi, graf evrişim ağı geride kaldı ve yazarlar iki yaklaşımı birleştirmeyi önerdi. Graf yapısı güçlü bir bilgi kaynağı, ama hangi modelin işe yarayacağı veriyle sınanmalı.