La plataforma Crypto4Winners, lanzada en enero de 2020, permitió a los clientes depositar sus BTC, ETH o USDT en un pool de inversión. Sin embargo, recientes evidencias sugieren que esta plataforma podría haber operado como un esquema Ponzi. En este artículo, realizamos una simulación completa para entender los movimientos de fondos y verificar estas alegaciones.
Antecedentes y Suposiciones Iniciales
Crypto4Winners fue gestionada por un solo empleado, Luc Schiltz, desde enero de 2020 hasta abril de 2021. Adrien Castellani se unió al equipo en mayo de 2021, aumentando el número total de empleados a siete. Desde ese momento, los gastos fijos mensuales ascendieron a 110,000 EUR, junto con gastos mensuales de ocio de 50,000 EUR.
El esquema comenzó a mostrar signos de falla tras un accidente que involucró a Luc Schiltz en marzo de 2024, haciendo que la plataforma fuera incapaz de pagar los rendimientos prometidos. En consecuencia, los fondos supuestamente disponibles de los clientes totalizaban 100 millones EUR, pero no se realizaron pagos después del accidente y Castellani afirmó no tener acceso a los fondos.
Simulación del Esquema Ponzi
Para esta simulación, asumimos que no hubo operaciones reales y que los rendimientos ficticios mensuales se pagaron con los nuevos depósitos de los clientes. Aquí están los principales datos y rendimientos mensuales utilizados en nuestra simulación:
Suposiciones Iniciales
- Periodo de Actividad: Enero 2020 a Marzo 2024
- Depósitos Totales: 1100 BTC, 8500 ETH, 10 millones USDT
- Número total de clientes durante el periodo: 4000
- Número de clientes activos en marzo de 2024: 1500
- Gastos fijos mensuales después de mayo de 2021: 110,000 EUR
- Gastos mensuales de ocio: 50,000 EUR
Metodología de la Simulación
Utilizamos los datos de rendimientos ficticios mensuales para simular la evolución de los fondos disponibles y compararlos con la liquidez real. Aquí hay un resumen de los rendimientos ficticios mensuales para cada tipo de criptomoneda:
- Rendimiento Mensual de BTC (%): [12.01, 10.23, 22.64, ...]
- Rendimiento Mensual de ETH (%): [6.63, 6.2, 5.72, ...]
- Rendimiento Mensual de USDT (%): [3.86, 7.67, 6.37, ...]
También consideramos la disminución de las inversiones en los últimos seis meses, donde los retiros superaron a los nuevos depósitos, lo cual es típico en los esquemas Ponzi en su fase terminal.
Resultados de la Simulación
La simulación muestra que los fondos mostrados en la plataforma son en gran medida ficticios. En marzo de 2024, aunque los clientes ven un total de 100 millones EUR en la plataforma, la liquidez real es cero. Esta discrepancia significativa entre los fondos supuestos y los fondos reales demuestra con un 95% de precisión que Crypto4Winners operaba como un esquema Ponzi.
La única forma de probar lo contrario sería recuperar y devolver los fondos, pero hasta ahora, no se ha establecido contacto con los supuestos traders, y no se han confirmado wallets de trading.
Código Python para la Simulación
Para aquellos que deseen profundizar y jugar con las suposiciones iniciales, aquí está el código Python utilizado para realizar esta simulación:
import pandas as pd
# Definir los datos iniciales
data = {
"Date": pd.date_range(start="2020-01-01", end="2024-03-01", freq='MS'),
"BTC_Return": [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_Return": [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_Return": [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],
}
# Asegúrese de que las longitudes de las listas coincidan con el número de meses
num_months = len(data["Date"])
data["BTC_Return"] += [0] * (num_months - len(data["BTC_Return"]))
data["ETH_Return"] += [0] * (num_months - len(data["ETH_Return"]))
data["USDT_Return"] += [0] * (num_months - len(data["USDT_Return"]))
# Crear el DataFrame
df = pd.DataFrame(data)
# Inicializar 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 # Ficticio
# Simulación de flujos financieros
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
# Lógica de simulación mes a mes
for i in range(1, len(df)):
# Calcular los rendimientos ficticios
btc_return = df.at[i, 'BTC_Return'] / 100
eth_return = df.at[i, 'ETH_Return'] / 100 if df.at[i, 'ETH_Return'] is not None else 0
usdt_return = df.at[i, 'USDT_Return'] / 100 if df.at[i, 'USDT_Return'] is not None else 0
# Actualizar los fondos
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)
# Calcular el total de los fondos ficticios
df.at[i, 'Total_Funds'] = df.at[i, 'BTC_Funds'] + df.at[i, 'ETH_Funds'] + df.at[i, 'USDT_Funds']
# Actualizar la liquidez real restando los gastos mensuales
if i >= 16: # Mayo 2021 y después
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
# Exportar el DataFrame a un archivo Excel
output_path = "/mnt/data/Simulation_Ponzi_Crypto4Winners.xlsx"
df.to_excel(output_path, index=False)