@zerufinance 指出，以百分比回報為基礎的排行榜往往會將小帳戶排在較高位置，排名最高的交易者持有的餘額通常僅為其他活躍錢包的五分之一左右。 該團隊的規模感知方法旨在肯定強勁的回報，同時反映絕對美元收益，從而避免極小帳戶僅憑高百分比數字而佔據主導地位。 此調整與先前關於空投拋售和 Sybil 模式的發現並行，這些發現顯示低參與度或抽取型錢包更可能迅速退出。 綜合這些觀察結果，揭示了一個反覆出現的衡量挑戰：原始交易量、原始回報和原始交易次數各自捕捉了不同層面的行為，並可能因帳戶規模而被操縱或扭曲。 整合多個維度（時間深度、品質過濾、規模標準化）雖增加了計算與設計的複雜性，但能降低對單一易被操縱統計數據的依賴。 採用類似多因素篩選的協議，仍需根據其自身的歷史受贈者結果驗證閾值，因為規模與參與度的相對重要性可能因資產和市場結構而異。