Προσδιοριστικοί παράγοντες επιτυχίας στις Αρχικές Προσφορές Νομισμάτων (Initial Coin Offerings-ICOs)

Abstract

This doctoral dissertation investigates the factors influencing the success of Initial Coin Offerings (ICOs) conducted through Decentralized Exchanges (DEX). Although ICOs have been the subject of extensive research over the past years, DEX ICOs remain an underexplored field despite their rapid growth. The majority of existing empirical studies focus primarily on traditional ICOs, while the field has now shifted towards DEX ICOs, which are expanding dynamically within the framework of Decentralized Finance (DeFi). The specific characteristics of this new issuance process and market have not yet been systematically examined using advanced analytical approaches, nor has sufficient attention been given to forecasting success based on project-level features. This dissertation addresses this research gap through a comprehensive and multi-level methodological approach. Initially, a bibliometric analysis and thematic mapping of the relevant international literature were conducted using Natural Language Processing (NLP) techniques to identify key research trends and existing gaps. Subsequently, an original dataset comprising 3.751 DEX ICOs conducted through the DxSale and Pinksale platforms during the study period was analyzed. Fundraising success was operationalized as the percentage of the Hardcap achieved (Success Ratio). The empirical analysis utilized predictive Machine Learning models (ML), including Logistic Regression, Random Forest, XGBoost, Support Vector Machines, k-nearest neighbor, and Bayesian Regularized Neural Networks, combined with a feature selection process, aiming to estimate success likelihood based on project characteristics. To assess the generalizability of the models, the ten-fold cross-validation technique was applied. The findings highlighted key success factors, including campaign duration (Duration), liquidity lock percentage and period (Lock Percentage, Lock Period), and the minimum and maximum contribution limits per investor. Moreover, shorter campaign durations were found to be positively associated with success, while higher liquidity lock percentages also correlated with increased success rates. The results of the analysis enable the development of a reliable predictive model for estimating the success probability of new DEX ICOs, thus offering a practical tool for issuers and investors. This dissertation contributes to the emerging literature on decentralized fundraising mechanisms by offering a large-scale empirical analysis of the determinants of DEX ICO success using Machine Learning techniques. The findings provide new evidence on how project-level design characteristics, including campaign duration, liquidity lock conditions, and investor contribution limits, are associated with fundraising performance. In doing so, the study enhances the theoretical understanding of decentralized token offerings and offers practical insights for issuers, investors, and potentially regulatory authorities.

Η παρούσα διδακτορική διατριβή εστιάζει στη διερεύνηση των παραγόντων που επηρεάζουν την επιτυχία των Αρχικών Προσφορών Κρυπτονομισμάτων (Initial Coin Offerings - ICOs) που διενεργούνται μέσω Αποκεντρωμένων Ανταλλακτηρίων (Decentralized Exchanges - DEXs). Αν και οι ICOs έχουν αποτελέσει αντικείμενο σημαντικής ερευνητικής δραστηριότητας τα τελευταία χρόνια, οι προσφορές που πραγματοποιούνται μέσω Αποκεντρωμένων Ανταλλακτηρίων (DEX ICOs / IDOs) παραμένουν ένα ανεπαρκώς διερευνημένο πεδίο, παρά τη ραγδαία ανάπτυξή τους. Η πλειονότητα των υφιστάμενων εμπειρικών μελετών εστιάζει κυρίως σε παραδοσιακές ICOs, τη στιγμή που το πεδίο έχει πλέον μετατοπιστεί στις DEX ICOs, οι οποίες αναπτύσσονται δυναμικά στο πλαίσιο της αποκεντρωμένης χρηματοοικονομικής (DeFi). Οι ιδιαιτερότητες του νέου αυτού μηχανισμού άντλησης κεφαλαίων δεν έχουν έως σήμερα διερευνηθεί συστηματικά μέσω προηγμένων αναλυτικών προσεγγίσεων, ούτε έχει δοθεί έμφαση στην πρόβλεψη της επιτυχίας των εν λόγω αρχικών προσφορών με βάση τα χαρακτηριστικά τους. Η παρούσα διατριβή επιχειρεί να καλύψει το παραπάνω ερευνητικό κενό μέσω μιας ολοκληρωμένης και πολυεπίπεδης μεθοδολογικής προσέγγισης. Αρχικά, πραγματοποιήθηκε βιβλιομετρική ανάλυση και θεματική χαρτογράφηση της σχετικής διεθνούς βιβλιογραφίας, με τη χρήση τεχνικών επεξεργασίας φυσικής γλώσσας (Natural Language Processing - NLP), προκειμένου να εντοπιστούν οι βασικές ερευνητικές τάσεις και τα ερευνητικά κενά. Στη συνέχεια, αναλύθηκε ένα πρωτογενές δείγμα που περιλαμβάνει δεδομένα απο 3.751 DEX ICOs που διενεργήθηκαν μέσω των πλατφορμών DxSale και Pinksale, κατά την πρόσφατη χρονική περίοδο. Η επιτυχία ορίστηκε ως το ποσοστό επίτευξης του Hardcap (Success Ratio) κάθε εγχειρήματος. Η εμπειρική ανάλυση αξιοποίησε προβλεπτικά μοντέλα Μηχανικής Μάθησης (Logistic Regression, Random Forest, XGBoost, Support Vector Machines, k-nearest neighbor, Bayesian Regularized Neural Networks) και εφαρμόστηκε διαδικασία επιλογής των σημαντικότερων χαρακτηριστικών με σκοπό την εκ των προτέρων εκτίμηση της επιτυχίας των προσφορών βάσει των μεταβλητών τους. Για την αξιολόγηση της γενικευσιμότητας των μοντέλων, εφαρμόστηκε η τεχνική της δεκαπλής διασταυρούμενης επικύρωσης (10-fold Cross Validation). Τα ευρήματα ανέδειξαν ως καθοριστικούς παράγοντες επιτυχίας τη διάρκεια διεξαγωγής της προσφοράς (Duration), το ποσοστό και την περίοδο δέσμευσης ρευστότητας (Lock Percentage, Lock Period), καθώς και τα όρια ελάχιστης και μέγιστης συνεισφοράς ανά επενδυτή. Επιπλέον, καταδείχθηκε ότι μικρότερα χρονικά διαστήματα διεξαγωγής των αρχικών προσφορών σχετίζονται θετικά με την επιτυχία τους, ενώ η υψηλότερη δέσμευση ρευστότητας συνδέεται επίσης με αυξημένα ποσοστά επιτυχίας. Τα αποτελέσματα της ανάλυσης επιτρέπουν τη διαμόρφωση ενός αξιόπιστου προβλεπτικού μοντέλου για την εκτίμηση της πιθανότητας επιτυχίας νέων DEX ICOs, προσφέροντας έτσι ένα πρακτικό εργαλείο για εκδότες και επενδυτές. Η παρούσα διατριβή συνεισφέρει στην αναδυόμενη βιβλιογραφία για τους αποκεντρωμένους μηχανισμούς άντλησης κεφαλαίων, προσφέροντας μια εμπειρική ανάλυση μεγάλης κλίμακας των προσδιοριστικών παραγόντων επιτυχίας των DEX ICOs με τη χρήση τεχνικών Μηχανικής Μάθησης. Τα ευρήματα παρέχουν νέα εμπειρική τεκμηρίωση σχετικά με τον τρόπο με τον οποίο χαρακτηριστικά σχεδιασμού των εγχειρημάτων, όπως η διάρκεια της προσφοράς, οι όροι δέσμευσης ρευστότητας και τα όρια συνεισφοράς των επενδυτών επηρεάζουν την επιτυχία της διαδικασίας άντλησης κεφαλαίων. Με τον τρόπο αυτό, η διατριβή ενισχύει τη θεωρητική κατανόηση των αποκεντρωμένων προσφορών ψηφιακών μαρκών και προσφέρει πρακτικές κατευθύνσεις για εκδότες, επενδυτές και, ενδεχομένως, ρυθμιστικές αρχές.