Date de publication : 23 juillet 2026 · Bitbase Research
Pour les recherches Bitbase Research connexes sur ce sujet, voir Effets de mimétisme et désalignement des incitations sur les marchés de cryptomonnaies.
Résumé exécutif
Les données on-chain sont pseudonymes et non anonymes, et cette seule distinction est le fondement de toute stratégie de suivi des baleines et du smart money. Chaque transaction est publique et permanente : la difficulté n'a donc jamais été de voir ce qui a bougé, mais de savoir qui l'a fait — et en 2026 cet écart s'est en grande partie refermé. Des plateformes comme Arkham Intelligence et Nansen appliquent des étiquettes d'entités du monde réel à des millions d'adresses, le moteur piloté par l'IA d'Arkham étant spécialisé dans la désanonymisation des adresses en fonds de capital-risque, market makers et baleines individuelles nommément identifiés, tandis que Nansen étiquette les portefeuilles et expose un tableau de bord « Smart Money » qui suit les adresses aux historiques de trading rentables [1][2]. Le marché de l'analytique blockchain qui alimente tout cela a atteint environ 1,76 milliard de dollars en 2026, et l'IA fait désormais automatiquement ce qu'aucun analyste humain ne pouvait faire il y a deux ans : regrouper à grande échelle les portefeuilles apparentés en une seule entité [3][4]. Le registre brut est devenu une carte étiquetée de qui fait quoi.
Mais une carte étiquetée n'a d'utilité qu'accompagnée d'une discipline de lecture, car la transparence même qui révèle une baleine permet aussi aux manipulateurs de fabriquer les signaux que les analystes suivent. Ce rapport construit cette discipline sous la forme d'une taxonomie des entités-portefeuille et d'un cadre de détection forensique, en quatre volets. Le premier est la taxonomie elle-même — classer une adresse dans le type d'entité qui détermine le sens de son comportement, car un transfert important venu d'une plateforme d'échange, d'un fonds de capital-risque, d'une trésorerie de protocole, d'un portefeuille de smart money ou d'un opérateur de wash trading, ce sont cinq signaux complètement différents habillés du même vêtement on-chain. Le deuxième est le clustering — les heuristiques qui relient de nombreuses adresses à un unique acteur contrôlant, sans lesquelles une seule entité opérant depuis dix portefeuilles ressemble à dix décisions indépendantes. Le troisième est une grille de détection du wash trading bâtie sur les heuristiques forensiques qui séparent l'activité réelle du volume fabriqué. Le quatrième est une lecture de la concentration des détenteurs et des flux de plateformes qui transforme la distribution d'un jeton et le sens de ses flux vers et depuis les plateformes en une déclaration d'intention.
L'enjeu n'a rien d'académique. Chainalysis a identifié environ 2,57 milliards de dollars de wash trading présumé sur les principales chaînes dans son analyse de 2025, et ses méthodes forensiques sont utilisées par environ 85 % des forces de l'ordre américaines — ce qui signifie que les techniques qui attrapent les criminels sont exactement celles qu'un analyste sérieux doit employer pour ne pas se laisser tromper par des signaux on-chain fabriqués [6][11]. Lus ensemble, les quatre composants font passer le registre public d'un flot de transferts d'apparence anonyme à une carte intelligible d'entités, d'intentions et de manipulations. Tout ce qui suit relève de l'analyse éducative, pas du conseil en investissement.
Partie 1 · Pseudonyme, pas anonyme : l'étiquetage comme fondement
Être précis sur ce que la blockchain révèle réellement est le fondement de tout le reste. Une adresse de blockchain n'est pas un nom, mais ce n'est pas non plus un secret : chaque transaction qu'elle a effectuée est publique et permanente, et un comportement public suffisamment abondant finit par identifier l'acteur derrière l'adresse aussi sûrement qu'une empreinte digitale. C'est la propriété sur laquelle toute l'industrie du suivi est bâtie — la chaîne est pseudonyme, et les pseudonymes peuvent être désanonymisés en croisant des schémas on-chain avec des informations hors chaîne (un dépôt étiqueté sur une plateforme d'échange, un investissement en capital-risque rendu public, le portefeuille d'un fondateur dont l'identité a fuité). Le produit central d'Arkham est exactement cela : un moteur algorithmique piloté par l'IA qui applique des étiquettes d'entités du monde réel aux adresses et permet à un analyste d'inspecter directement le portefeuille d'une société de capital-risque ou d'un market maker nommément identifié, tandis que Nansen maintient des étiquettes sur des millions de portefeuilles pour qu'une transaction importante se lise non pas comme « une adresse inconnue a déplacé des fonds » mais comme « ce fonds, ce protocole ou cette plateforme précis l'a fait » [1][2].
La conséquence est que l'observation d'adresses brutes a cédé la place à l'observation d'entités, et ce ne sont pas les mêmes compétences. Suivre l'adresse d'une baleine non étiquetée vous apprend qu'un gros détenteur fait quelque chose ; suivre une entité étiquetée vous apprend quel type de détenteur le fait, ce qui est toute la différence entre le bruit et le signal. L'automatisation compte ici autant que l'étiquetage : les plateformes regroupent désormais les portefeuilles apparentés et font apparaître relations et schémas transactionnels à une échelle impossible pour des analystes humains il y a seulement deux ans, si bien que le métier d'analyste est passé de la reconstitution manuelle de clusters de portefeuilles à l'interprétation de la carte d'entités que produisent les outils [4]. Mais ce basculement crée son propre piège — les étiquettes ne valent que ce que vaut l'inférence qui les sous-tend, et tant les étiquettes que les comportements auxquels elles s'attachent peuvent être manipulés, raison pour laquelle le reste du cadre porte autant sur la détection de la tromperie que sur le suivi de la conviction. Le fondement est simple à énoncer et facile à oublier : l'on-chain est un registre public d'entités pseudonymes, et tout le jeu consiste à transformer les pseudonymes en entités et les entités en intentions.
Partie 2 · La taxonomie des entités-portefeuille
Le premier composant analytique est une taxonomie, car la même action on-chain signifie des choses opposées selon l'entité qui l'exécute, et mal classer l'acteur est l'erreur de suivi la plus fréquente et la plus coûteuse. Un transfert important de jetons n'est pas un signal tant que vous ne savez pas s'il provient d'une plateforme d'échange, d'un fonds de capital-risque, d'un market maker, d'une trésorerie de protocole, d'un portefeuille de smart money ou d'un opérateur de wash trading — six types d'entités pour six sens différents d'une transaction identique. Un portefeuille de plateforme d'échange qui déplace des jetons agit généralement pour des raisons opérationnelles (gestion du portefeuille chaud, flux d'utilisateurs) : ses transferts sont donc surtout du bruit, sauf à être lus comme des entrées ou des sorties agrégées. Un fonds de capital-risque ou un investisseur précoce qui déplace des jetons à l'approche d'un déblocage, c'est de l'offre potentielle en route vers le marché. Un market maker qui fait tourner son inventaire fournit de la liquidité, il n'exprime pas une opinion. Une trésorerie de protocole — identifiable parce qu'elle reçoit les frais du protocole, détient des jetons de gouvernance, finance le développement et gère souvent des positions diversifiées de yield farming — qui déplace des fonds fait peut-être une dépense opérationnelle ou exécute une décision de gouvernance, et non un pari de marché [9]. Un portefeuille de smart money, défini par un historique de transactions rentables, qui entre en position, c'est le signal que les traders veulent réellement suivre [2][15]. Et un opérateur de wash trading qui génère du volume émet un signal conçu pour tromper, ce que la partie 4 est précisément construite pour attraper.
La discipline qu'impose la taxonomie est que la classification précède toujours l'interprétation. L'habitude la plus utile en analyse on-chain consiste à refuser de lire une transaction importante avant d'avoir identifié l'entité qui se trouve derrière, car un flux identique — disons dix millions de jetons quittant un portefeuille — est haussier, baissier ou insignifiant selon que le portefeuille est un accumulateur de smart money qui prend ses profits, une trésorerie qui finance une subvention, une plateforme d'échange qui rééquilibre ou un market maker qui fait tourner son inventaire. Les plateformes d'étiquetage effectuent l'essentiel de cette classification automatiquement, mais l'analyste doit encore vérifier l'étiquette et, surtout, comprendre la signature comportementale de chaque type d'entité, car c'est cette signature qui rend une étiquette digne de confiance : les plateformes d'échange montrent des schémas caractéristiques de portefeuilles chauds et froids, les trésoreries montrent des encaissements de frais et une activité de gouvernance, les market makers montrent un flux bilatéral à haute fréquence, et le smart money montre un historique rentable. Quand le comportement d'un portefeuille correspond à la signature de son étiquette, l'étiquette est fiable ; quand il n'y correspond pas, c'est l'étiquette — ou la lecture qu'en fait l'analyste — qu'il faut remettre en question.
Partie 3 · Le clustering : des adresses aux entités
La taxonomie suppose que l'on sache quelle entité possède une adresse, et cette supposition repose sur le composant le plus technique du cadre : le clustering d'adresses. Un acteur unique n'opère presque jamais depuis un seul portefeuille — un fonds, une plateforme d'échange ou une baleine répartissent leur activité sur de nombreuses adresses, que ce soit par sécurité opérationnelle, pour brouiller leur empreinte ou simplement parce qu'ils utilisent de nombreux services — de sorte que traiter chaque adresse comme un acteur indépendant fausse systématiquement le nombre de participants réels et la taille véritable de leurs positions. Le clustering est l'ensemble des heuristiques qui relient plusieurs portefeuilles à une unique entité contrôlante, et c'est lui qui transforme « dix adresses ont chacune acheté un peu » en quelque chose de bien plus significatif : « une entité a accumulé une position importante répartie sur dix portefeuilles » [1][4][10]. Le clustering d'adresses relie les portefeuilles à une entité contrôlante, et l'analyse du graphe de transactions visualise les flux de fonds entre eux, technique identique à celle employée pour tracer les flux circulaires dans une fraude [10].
Les heuristiques de clustering sont inférentielles, et les comprendre est ce qui permet à un analyste de juger de la confiance à accorder à un cluster. Les portefeuilles alimentés de façon répétée depuis une source commune, qui se déplacent selon une synchronisation coordonnée, qui n'interagissent qu'entre eux ou qui partagent des empreintes comportementales sont réputés appartenir à un même acteur — et les signaux qui regroupent les portefeuilles d'un fonds légitime regroupent aussi ceux d'un manipulateur, ce qui fait du clustering le pont entre le suivi d'entités et la détection de fraude. C'est précisément pour cela que l'automatisation est à double tranchant : le clustering par IA fait apparaître des relations à une échelle impossible pour des humains, mais il produit aussi des faux positifs — deux portefeuilles indépendants qui partagent par hasard la plateforme qui les a alimentés ou une contrepartie commune peuvent être regroupés à tort, gonflant la taille apparente d'une entité ou fabriquant un lien qui n'existe pas [4]. La discipline du cadre consiste donc à traiter un cluster comme une hypothèse assortie d'un niveau de confiance, et non comme un fait : un cluster bâti sur de nombreux signaux forts et indépendants (financement partagé, synchronisation coordonnée, interaction exclusive) est de confiance élevée, tandis qu'un cluster bâti sur un unique signal faible (une plateforme d'échange partagée par des millions d'utilisateurs) est de confiance basse et ne doit pas être lu comme un acteur unique. Le clustering est ce qui rend la taxonomie opérationnelle, mais seulement si sa nature inférentielle est respectée.
Partie 4 · La grille de détection du wash trading
Le troisième composant tourne ce même clustering et cette même analyse comportementale vers leur usage défensif le plus important : détecter le volume fabriqué, car un cadre de suivi des baleines incapable de distinguer l'activité réelle de la fausse est pire qu'inutile — il suit exactement les signaux qu'un manipulateur a plantés. Le wash trading, où le même acteur se trouve des deux côtés d'une transaction pour créer du volume artificiel sans transfert économique réel, n'est pas rare : Chainalysis a identifié environ 2,57 milliards de dollars de wash trading présumé sur les principales chaînes dans son analyse de 2025, et la forensique on-chain destinée à le détecter a mûri jusqu'à devenir une grille concrète [6]. Les heuristiques canoniques, formalisées par Chainalysis, sont précises et vérifiables : une adresse qui exécute un achat et une vente en l'espace d'environ 25 blocs (soit à peu près cinq minutes), avec moins de 1 % d'écart de volume en dollars entre les deux (indice d'absence de véritable motif de profit), et une même adresse qui effectue trois de ces allers-retours ou plus sur la période étudiée [5]. Chaque condition prise isolément est faible ; ensemble, elles décrivent une activité qui a la forme du trading sans en avoir la substance économique.
Au-delà de l'heuristique de temps et de taille, le cadre superpose les indices structurels qu'utilisent les enquêteurs forensiques, car le wash trading sophistiqué se répartit sur plusieurs portefeuilles pour échapper au test par adresse unique. Les transactions en aller-retour — le portefeuille A vend au portefeuille B, puis B revend à A — créent du volume sans aucune variation nette de position et sont visibles dans l'analyse du graphe de transactions sous forme de flux circulaires [7][10]. Les sources de financement partagées — le portefeuille « acheteur » et le portefeuille « vendeur » alimentés depuis la même origine — figurent parmi les indices les plus forts qu'un acteur unique contrôle les deux côtés [7]. Et la vérification des portefeuilles les plus actifs — identifier les portefeuilles qui génèrent le plus de volume et tester s'il s'agit des mêmes adresses qui échangent de façon répétée entre elles — attrape les réseaux coordonnés de wash trading qu'un test par adresse laisse passer [7]. Les travaux académiques, tels les systèmes de détection on-chain du wash trading pour les jetons ERC-20, ont quantifié ces schémas à grande échelle, et le produit pratique en est une grille : pour n'importe quel jeton ou cluster de portefeuilles, le nombre de conditions remplies vous dit quelle part du « volume » est réelle [14]. Le cadre traite un score élevé de wash trading non comme une réserve mineure mais comme un motif de disqualification, car un jeton dont le volume est fabriqué n'offre de signal fiable dans aucun des trois autres composants — la concentration, les flux et l'activité de smart money sont tous distordus par les fausses transactions.
Partie 5 · Concentration des détenteurs et flux de plateformes
Le quatrième composant lit deux signaux agrégés que la carte d'entités rend lisibles : le degré de concentration de la propriété d'un jeton, et le sens dans lequel il circule par rapport aux plateformes d'échange. La concentration est la lecture du risque structurel — les analystes examinent la distribution entre détenteurs parce qu'un jeton dont les principaux portefeuilles contrôlent l'essentiel de l'offre est manipulable et fragile, la règle approximative du secteur voulant que si les dix premiers portefeuilles détiennent plus de 90 % de l'offre, le potentiel de manipulation est élevé, puisque ces détenteurs peuvent faire bouger le prix à volonté [8]. Mais la concentration n'a de sens qu'après le clustering, car dix portefeuilles qui paraissent indépendants peuvent n'être qu'une seule entité, et la vraie concentration est celle que montre la distribution clusterisée, pas la liste brute d'adresses — un jeton qui semble décentralisé sur 10 000 adresses peut être dangereusement concentré si le clustering révèle qu'une poignée d'entités contrôle la plupart de ces adresses [8][10]. La concentration lue sur des adresses non clusterisées sous-estime systématiquement le risque réel.
Les flux de plateformes sont la lecture de l'intention, le signal agrégé qui fait passer les transferts opérationnels des plateformes d'échange du bruit à l'information. Les jetons qui affluent vers les plateformes se positionnent pour être vendus — ils s'accumulent dans les carnets d'ordres comme offre potentielle —, tandis que les jetons qui sortent des plateformes vers des portefeuilles privés suggèrent une accumulation et une intention de conserver, et retirent de l'offre du gisement immédiatement vendable [13][16]. Lu au niveau d'un transfert isolé, c'est du bruit ; lu de façon agrégée — entrées nettes contre sorties nettes sur une fenêtre donnée —, c'est l'un des signaux directionnels les plus propres de l'analyse on-chain, car il capte la décision collective des détenteurs de se rapprocher ou de s'éloigner de la capacité à vendre. Les deux lectures se combinent : un jeton très concentré (après clustering) qui affiche d'importantes entrées nettes vers les plateformes est un jeton dont les quelques gros détenteurs se positionnent pour vendre face à la demande qui se présentera — la configuration on-chain qui précède le plus souvent la sortie d'un gros détenteur. La concentration vous dit qui pourrait faire bouger le prix ; les flux de plateformes vous disent de quel côté ils penchent ; et seule la carte d'entités clusterisée et étiquetée rend l'une ou l'autre lecture digne de confiance.
Partie 6 · Lire le smart money face au bruit
L'usage le plus recherché du cadre est le suivi du smart money — ces portefeuilles au parcours de transactions historiquement rentables que des plateformes comme Nansen font remonter — mais la discipline consiste ici à savoir ce que ce signal peut et ne peut pas faire. Une étiquette de smart money est une affirmation sur le passé : ce portefeuille a été rentable, ce qui constitue une information véritable puisque la compétence et l'accès persistent dans une certaine mesure, et un portefeuille qui est entré tôt et régulièrement sur de bonnes positions mérite davantage d'attention qu'une adresse quelconque [2][15]. Les quatre composants du cadre rendent la lecture du smart money fiable plutôt que naïve : le clustering confirme que le portefeuille de smart money est un acteur réel unique et non un parcours fabriqué réparti sur des portefeuilles coordonnés ; la grille de wash trading confirme que ses profits proviennent de transactions réelles et non fabriquées ; la taxonomie d'entités confirme qu'il s'agit d'un trader indépendant et non d'un market maker dont les « profits » sont des spreads ; et la lecture de la concentration confirme que sa position est significative au regard du jeton. Un signal de smart money qui survit à ces quatre vérifications vaut bien davantage qu'une simple étiquette de « portefeuille rentable ».
Mais le cadre est tout aussi clair sur les limites du signal, car suivre le smart money est intrinsèquement réflexif. À l'instant où un portefeuille est publiquement étiqueté smart money, ses mouvements sont surveillés et devancés, si bien que l'avantage qui le rendait rentable s'érode à mesure qu'il devient connu — les portefeuilles de smart money les plus suivis sont les moins susceptibles d'avoir encore un avantage, précisément parce que tout le monde les copie [2]. Pire, un acteur sophistiqué qui sait son portefeuille étiqueté peut exploiter ses suiveurs en accumulant discrètement dans un portefeuille non étiqueté tout en effectuant des mouvements visibles depuis le portefeuille étiqueté afin d'entraîner la foule. La discipline du cadre consiste donc à traiter les étiquettes de smart money comme un point de départ d'enquête, et non comme un signal de trading à copier : la valeur réside dans la compréhension du pourquoi une entité compétente se positionne d'une certaine façon — ce qu'elle sait peut-être et que le marché n'a pas encore intégré au prix —, pas dans la reproduction mécanique de ses transactions une fois qu'elles sont déjà publiques et déjà devancées par des milliers d'autres. Le smart money est une piste à instruire, vérifiée par les trois autres composants ; ce n'est jamais un signal à suivre aveuglément.
Partie 7 · Limites et modes de défaillance assumés
Un cadre forensique gagne la confiance en nommant ce qu'il ne peut pas faire, et le renseignement on-chain a des limites nettes précisément parce qu'il est inférentiel à chaque étape. La plus grande est que les étiquettes et les clusters sont des hypothèses, pas des faits : une étiquette d'entité est une inférence tirée du comportement public et de données hors chaîne, qui peut être fausse, périmée ou délibérément usurpée, et un cluster de portefeuilles est un regroupement probabiliste qui peut fusionner à tort des acteurs indépendants ou scinder un acteur unique. Bâtir une thèse sur un portefeuille mal étiqueté ou sur un cluster erroné est la façon la plus courante dont une analyse on-chain sophistiquée dérape, et l'automatisation qui rend l'étiquetage industrialisable rend aussi ses erreurs industrialisables — une étiquette fausse se propage à tous les analystes qui utilisent la plateforme.
Quatre limites supplémentaires méritent d'être aussi visibles que le cadre lui-même. Manipulation adverse : chaque signal que le cadre lit peut être fabriqué — le wash trading falsifie le volume, des portefeuilles coordonnés falsifient la décentralisation, un portefeuille étiqueté peut servir d'appât pour ses suiveurs, et un acteur qui comprend les heuristiques peut construire un comportement on-chain conçu spécialement pour les tromper : l'analyste est donc toujours en concurrence avec des contreparties qui savent qu'elles sont observées [5][7]. Outils de confidentialité et ruptures inter-chaînes : mixeurs, protocoles de confidentialité, ponts et transferts internes des plateformes centralisées brisent le graphe de transactions, si bien qu'une entité peut délibérément couper la piste, et le clustering entre chaînes ou à travers le portefeuille omnibus d'une plateforme est souvent impossible [10]. Réflexivité : les signaux les plus précieux — une entrée de smart money, une accumulation de baleine — perdent leur avantage à l'instant où ils deviennent publics et suivis : les meilleures productions du cadre s'autodétruisent à proportion de leur notoriété [2]. Le « pourquoi » est invisible : les données on-chain montrent ce qu'une entité a fait, jamais pourquoi ; l'analyste apporte donc toujours l'interprétation, et c'est dans l'écart entre la transaction observée et son véritable mobile que vivent la plupart des thèses erronées. Comme discipline pour transformer le registre public en carte d'entités et pour détecter les manipulations qu'on y a plantées, le cadre est tranchant ; comme source de certitude sur l'intention d'un acteur donné, il reste une inférence face à un adversaire.
Conclusion · Des adresses à l'intention
L'analyse on-chain récompense l'analyste qui traite le registre comme pseudonyme plutôt qu'anonyme et qui bâtit une discipline pour transformer les adresses en entités et les entités en intentions. La chaîne montre tout et cache qui ; l'étiquetage et le clustering comblent cet écart et font d'un flot de transferts une carte d'acteurs nommés, mais seulement si les étiquettes sont vérifiées et les clusters traités comme des hypothèses confiantes et non comme des faits [1][4][10]. Sur cette carte, la taxonomie des entités-portefeuille détermine le sens de chaque action, la grille de wash trading sépare l'activité réelle des quelque 2,57 milliards de dollars de volume fabriqué qui corrompraient sinon toutes les lectures, l'analyse de concentration et de flux transforme la propriété et le sens des flux de plateformes en une déclaration de qui pourrait faire bouger le prix et de quel côté il penche, et la lecture du smart money — vérifiée par les trois autres — désigne les entités qui méritent d'être instruites [6][8][13]. Assemblés, les quatre composants font passer le registre public d'un flot opaque à une carte intelligible, et défendable, de qui fait quoi.
Les primitives plus profondes sur lesquelles reposent ces jugements — comment le clustering d'adresses infère réellement un contrôle commun, comment l'architecture des portefeuilles chauds et froids d'une plateforme d'échange façonne les signaux de flux, et comment la mécanique du wash trading et des portefeuilles coordonnés fabrique effectivement les schémas que le cadre doit détecter — méritent chacune d'être comprises pour elles-mêmes, car une lecture on-chain ne vaut que ce que vaut la maîtrise, par l'analyste, des mécanismes observés et manipulés. Traitez le cadre comme une discipline pour classer les entités, détecter la manipulation et lire l'intention dans le registre public, jamais comme une source de certitude sur les mobiles, et toujours avec la conscience que tout signal qui mérite d'être suivi est aussi un signal qu'un adversaire peut planter.
Articles associés
Autres articles Bitbase sur ce sujet :
- Qu'est-ce que Qubic, un ordinateur à quorum pour les contrats intelligents
- Qu'est-ce que Ravencoin: RVN natif et actifs en chaîne
- Le cycle de vie d'une transaction et le mempool
Références
[1] Startupik, Arkham Intelligence vs Nansen: Which Wallet Tracking Tool Is Better? (étiquetage d'entités et désanonymisation par IA chez Arkham ; étiquettes de portefeuilles chez Nansen). startupik.com
[2] Nansen, Smart Money dashboard and wallet labeling (étiquettes sur des millions de portefeuilles ; suivi des portefeuilles historiquement rentables) ; KuCoin, Top 5 Free Tools to Track Smart Money in Real-Time in 2026. nansen.ai
[3] Marché de l'analytique blockchain valorisé à ~1,76 milliard de dollars en 2026 (contexte sur la taille du secteur, cité dans des analyses d'outils de suivi). startupik.com
[4] Cryptowisser, Advanced On-Chain Analysis: Wallet Tracking & Smart Money Flows, mars 2026 (clustering automatisé de portefeuilles par IA faisant apparaître des relations à grande échelle). cryptowisser.com
[5] Chainalysis, Crypto Market Manipulation 2025: Suspected Wash Trading, Pump and Dump (heuristique de wash trading : achat+vente en ~25 blocs, <1 % d'écart de volume en dollars, 3 allers-retours ou plus par adresse). chainalysis.com
[6] Chainalysis, 2025 analysis: ~US$2.57 billion in suspected wash trading across major chains (analyse 2025 : ~2,57 milliards de dollars de wash trading présumé sur les principales chaînes). chainalysis.com
[7] FinanceFeeds, Detecting Crypto Wash-Trading Patterns Using On-Chain Signals ; Crypto Trace Labs, What Are Wash Trading Patterns and How Do Investigators Detect Them? (transactions en aller-retour A↔B, source de financement partagée, vérification des portefeuilles les plus actifs). financefeeds.com
[8] DEXTools News, How to Use Bubblemaps to Spot Token Manipulation (2026) (lecture de la concentration des détenteurs ; dix premiers portefeuilles au-delà de 90 % de l'offre comme potentiel de manipulation élevé). dextools.io
[9] Cryptowisser, Advanced On-Chain Analysis (identification des trésoreries : encaissement des frais de protocole, détention de jetons de gouvernance, financement du développement, yield farming diversifié). cryptowisser.com
[10] Chainalysis, Address clustering and transaction-graph analysis (relier des portefeuilles à une entité contrôlante ; visualiser les flux de fonds circulaires). chainalysis.com
[11] Chainalysis, Blockchain forensic capabilities (utilisées par environ 85 % des forces de l'ordre américaines). chainalysis.com
[12] DEXTools News, How to Use Bubblemaps to Spot Token Manipulation (2026) (cartes à bulles visuelles des clusters de portefeuilles). dextools.io
[13] Ledger Academy, How to Track Crypto Whale Movements (entrées et sorties de plateformes comme signal d'accumulation ou de distribution) ; Mintarex, On-Chain Whale Activity 2026. ledger.com
[14] WTEYE: On-Chain Wash-Trade Detection and Quantification for ERC-20 Cryptocurrencies, ResearchGate (détection académique du wash trading à grande échelle). researchgate.net
[15] Altrady, How to Track Crypto Whale Wallets & Smart Money (2026) (définition du smart money comme portefeuilles historiquement rentables ; méthodologie de suivi). altrady.com
[16] Mintarex, On-Chain Whale Activity 2026: Reading Large Holder Moves (interprétation de l'accumulation des baleines et des flux de plateformes). mintarex.com
[17] Gate, How to Use On-Chain Data Analysis Tools to Track Active Addresses, Whale Movements, and Transaction Volumes in 2026. web3.gate.com
[18] West Africa Trade Hub, Crypto Whale Tracker Guide 2026: Tools, Alerts & Strategies. westafricatradehub.com
[19] AXE TAX, Whale Wallet Activity: Your Key to Smart Money Tracking in Crypto. axe-tax.com
[20] Nadcab, How to Prevent NFT Wash Trading (mécanique du wash trading et stratégies de détection). nadcab.com
Méthodologie et divulgation : ce rapport synthétise des données publiques de renseignement on-chain et la littérature des praticiens à la mi-2026 (plateformes d'étiquetage d'entités et de clustering Arkham et Nansen [1][2][4] ; le marché de l'analytique blockchain de ~1,76 milliard de dollars [3] ; les heuristiques de wash trading de Chainalysis et le chiffre de ~2,57 milliards de dollars de wash trading présumé [5][6][10][11] ; les indices structurels de wash trading [7][14] ; les lectures de concentration des détenteurs et de manipulation via Bubblemaps [8][12] ; les signaux d'identification des trésoreries [9] ; et l'interprétation des flux de plateformes [13][16][17]). La taxonomie des entités-portefeuille, la discipline de clustering, la grille de détection du wash trading et la lecture de concentration et de flux sont des constructions analytiques éducatives et ordinales servant à classer les entités on-chain et à détecter la manipulation ; les profils de portefeuilles présentés dans les figures illustrent le cadre plutôt qu'ils ne représentent des entités réelles, et les chiffres cités illustrent le cadre plutôt qu'ils n'identifient un acteur particulier. Rien ici n'est une notation, une recommandation ni un objectif de cours.
Avertissement : ce contenu éducatif de Bitbase Research est fourni à titre informatif uniquement. Il ne constitue pas un conseil en investissement, en trading, fiscal ou financier. Les étiquettes et les clusters on-chain sont des inférences probabilistes qui peuvent être fausses. Rédigé à la date de juillet 2026 ; les données d'étiquetage, les méthodes de clustering et les conditions on-chain évoluent en permanence, appuyez-vous donc toujours sur les données primaires les plus récentes et faites vos propres recherches avant toute décision.
