La plateforme Crypto4Winners, ouverte en janvier 2020, a permis aux clients de déposer leurs BTC, ETH ou USDT dans un pool d'investissement. Cependant, des éléments récents suggèrent que cette plateforme pourrait être un schéma de Ponzi. Dans cet article, nous explorons une simulation complète pour comprendre les mouvements de fonds et déterminer la véracité de ces allégations.
Contexte et Hypothèses de Départ
Crypto4Winners a été géré par un seul employé, Luc Schiltz, de janvier 2020 à avril 2021. Ensuite, Adrien Castellani a rejoint l'équipe en mai 2021, portant le nombre total d'employés à sept. À partir de ce moment, les frais fixes mensuels se sont élevés à 110 000 EUR, auxquels s'ajoutaient des frais de loisirs de 50 000 EUR par mois.
Le schéma a commencé à montrer des signes de défaillance suite à un accident impliquant Luc Schiltz en mars 2024, rendant la plateforme incapable de payer les rendements promis. En conséquence, les fonds supposés disponibles des clients étaient de 100 millions EUR, mais aucun paiement n'a été effectué après l'accident, et Castellani a affirmé ne pas avoir accès aux fonds.
Simulation du Schéma de Ponzi
Pour cette simulation, nous avons supposé qu'il n'y avait jamais eu de trading réel et que les rendements mensuels fictifs ont été payés à partir des nouveaux dépôts des clients. Voici les principales données et rendements mensuels utilisés dans notre simulation :
Hypothèses de Départ
- Période d'activité : Janvier 2020 à Mars 2024
- Dépôts totaux : 1100 BTC, 8500 ETH, 10 millions USDT
- Nombre total de clients sur toute la période : 4000
- Nombre de clients actifs en mars 2024 : 1500
- Frais fixes mensuels après mai 2021 : 110 000 EUR
- Frais de loisir : 50 000 EUR par mois
Méthodologie de la Simulation
Nous avons utilisé les données de rendements fictifs mensuels pour simuler l'évolution des fonds disponibles et les comparer aux liquidités réelles. Voici un aperçu des rendements mensuels fictifs pour chaque type de crypto-monnaie :
- BTC Rendement Mensuel (%) : [12.01, 10.23, 22.64, ...]
- ETH Rendement Mensuel (%) : [6.63, 6.2, 5.72, ...]
- USDT Rendement Mensuel (%) : [3.86, 7.67, 6.37, ...]
Nous avons également pris en compte la baisse des investissements sur les six derniers mois, où les retraits ont été supérieurs aux nouvelles entrées, ce qui est typique des schémas de Ponzi en phase terminale.
Résultats de la Simulation
La simulation montre que les fonds affichés sur la plateforme sont largement fictifs. En mars 2024, bien que les clients voient un total de 100 millions EUR sur la plateforme, les liquidités réelles sont nulles. Ce décalage important entre les fonds supposés et les fonds réels prouve avec une précision de 95% que Crypto4Winners fonctionnait comme un schéma de Ponzi.
Le seul moyen de prouver le contraire serait de retrouver et de restituer les fonds, mais jusqu'à présent, aucun contact n'a été établi avec les supposés traders, et aucun wallet de trading n'a été confirmé.
Code Python de la Simulation
Pour ceux qui souhaitent aller plus loin et jouer avec les hypothèses de départ, voici le code Python utilisé pour réaliser cette simulation :
import pandas as pd
# Définir les données initiales
data = {
"Date": pd.date_range(start="2020-01-01", end="2024-03-01", freq='MS'),
"BTC_Rendement": [12.01, 10.23, 22.64, 11.49, 8.22, 7.56, 8.56, 8.37, 7.41, 8.2, 9.06, 8.79, 7.91, 6.18, 7.28, 7.39, 8.15, 7.14, 7.29, 6.64, 6.2, 5.89, 5.97, 6.23, 6.12, 5.06, 6.01, 5, 5.49, 4.74, 5.36, 5.11, 5.3, 4.77, 4.26, 4.13, 5.19, 4.57, 4.82, 4.91, 4.9, 4.33, 4.54, 4.32, 3.46, 3.81, 4.71, 4.35, 4.35, 3.61],
"ETH_Rendement": [None, None, None, None, None, None, None, None, None, None, None, None, 6.63, 6.2, 5.72, 5.75, 5.96, 5.3, 5.98, 5.56, 5.61, 5.14, 4.69, 4.34, 5.37, 4.8, 5.08, 4.98, 4.5, 3.92, 4.65, 4.39, 3.65, 3.72, 4.64, 4.18, 4.77, 4.8, 5.08, 4.98, 4.5, 3.92, 4.65, 4.39, 3.65, 3.72, 4.64, 4.18, 4.35, 4.35, 3.39],
"USDT_Rendement": [None, None, None, None, None, None, None, None, None, None, None, None, 3.86, 7.67, 6.37, 9.1, 6.82, 5.54, 5.86, 5.22, 5.71, 3.83, 4.46, 3.86, 3.84, 4.08, 4.68, 4.36, 5.52, 2.44, 3.21, 2.98, 2.69, 4.08, 4.03, 3.3, 3.72, 4.08, 4.68, 4.36, 5.52, 2.44, 3.21, 2.98, 2.69, 4.08, 4.03, 3.3, 3.72, 4.08, 3.72],
}
# Ensure the lengths of the lists match the number of months
num_months = len(data["Date"])
data["BTC_Rendement"] += [0] * (num_months - len(data["BTC_Rendement"]))
data["ETH_Rendement"] += [0] * (num_months - len(data["ETH_Rendement"]))
data["USDT_Rendement"] += [0] * (num_months - len(data["USDT_Rendement"]))
# Création du DataFrame
df = pd.DataFrame(data)
# Initialisation des variables
initial_clients = 0
total_clients = 4000
clients_march_2024 = 1500
initial_liquidity = 0
total_deposits_BTC = 1100
total_deposits_ETH = 8500
total_deposits_USDT = 10_000_000
monthly_fixed_expenses = 110_000
monthly_leisure_expenses = 50_000
total_funds_march_2024 = 100_000_000 # Fictif
# Simulation des flux financiers
df['BTC_Funds'] = total_deposits_BTC
df['ETH_Funds'] = total_deposits_ETH
df['USDT_Funds'] = total_deposits_USDT
df['Total_Funds'] = df['BTC_Funds'] + df['ETH_Funds'] + df['USDT_Funds']
df['Real_Liquidity'] = initial_liquidity
# Logique de simulation mois par mois
for i in range(1, len(df)):
# Calcul des rendements fictifs
btc_return = df.at[i, 'BTC_Rendement'] / 100
eth_return = df.at[i, 'ETH_Rendement'] / 100 if df.at[i, 'ETH_Rendement'] is not None else 0
usdt_return = df.at[i, 'USDT_Rendement'] / 100 if df.at[i, 'USDT_Rendement'] is not None else 0
# Mise à jour des fonds
df.at[i, 'BTC_Funds'] = df.at[i-1, 'BTC_Funds'] * (1 + btc_return)
df.at[i, 'ETH_Funds'] = df.at[i-1, 'ETH_Funds'] * (1 + eth_return)
df.at[i, 'USDT_Funds'] = df.at[i-1, 'USDT_Funds'] * (1 + usdt_return)
# Calcul du total des fonds fictifs
df.at[i, 'Total_Funds'] = df.at[i, 'BTC_Funds'] + df.at[i, 'ETH_Funds'] + df.at[i, 'USDT_Funds']
# Mise à jour de la liquidité réelle en soustrayant les frais mensuels
if i >= 16: # Mai 2021 et après
df.at[i, 'Real_Liquidity'] = df.at[i-1, 'Real_Liquidity'] - monthly_fixed_expenses - monthly_leisure_expenses
else:
df.at[i, 'Real_Liquidity'] = df.at[i-1, 'Real_Liquidity'] - monthly_leisure_expenses
# Exporter le DataFrame vers un fichier Excel
output_path = "/mnt/data/Simulation_Ponzi_Crypto4Winners.xlsx"
df.to_excel(output_path, index=False)