ある記事では、DeFiのリスク管理を支援するBumperの人工知能の利用について学ぶことができる。

Author: revelointel Source: substack Translated by Good Oba, Golden Finance

AIは暗号通貨において今最も強力な物語の一つである。そして、それはすぐにはなくならない。NVDA（エヌビディア）は急騰を続けており、業界へのさらなる露出を求める暗号通貨ネイティブの興味を刺激している。暗号通貨の近隣資産に対する実際の需要がある一方で、実際にAIを業務に組み込んでいるプロジェクトは多くありません...。

本記事では、ダウンサイドリスクからの保護を最初の前提とし、AIを新たな方向へ導こうとしているBumperに焦点を当てます。Bumperは斬新なDeFiプロトコルで、価格リスクをヘッジするシンプルで公正な分散型手法を提供することで、従来のデリバティブ市場を増強するよう設計されています。伝統的なデリバティブ市場を強化するために設計されている。Bumperの哲学は、リスクの高い市場において利益と損失を配分する公正なプロセスを確立することにある。通常、勝者と敗者が存在する伝統的な敵対的市場とは異なり、バンパーの動機は、公平性と資源の適切な配分を促進するシステムを作成することです。バンパーの目的は、個人の利益の最大化よりも個人の損失の最小化を優先する相互扶助価格リスク施設を提供することです。リスク管理と保護に重点を置くことで、BumperはDeFiエコシステムの参加者にとってより安全でセキュアな環境を作り出すことを目指しています。

ご存知の通り、暗号通貨は本質的に変動しやすいものであり、上昇の可能性を効果的に保ちながら下降リスクを抑えることは困難です。これは、BumperのAI統合が輝く分野です。チームはAIを使用して値動きの予測を支援し、その結果、より高いリターン、より低い保険料、改善された効率性と支払能力をユーザーに提供します。

Bumperの背景

Bumperは、AIを通じて既存のプロトコルの改善に取り組む典型的なプロジェクトだ。

• 価格予測

• BumperのAI統合戦略は、3つの主要なAI技術スタックが中心となっています。

• 感情分析

• 技術分析

予測モデルの正確性と妥当性を検証するためにABMは、自律エージェント（個人、グループ、エンティティなど）の行動や相互作用をシミュレートすることで、システム全体への影響を評価する計算技術です。これらのエージェントは、事前に定義されたルールに従い、経験や相互作用に基づいて学習、適応、進化することができます。

エージェントが重要なのは、Bumperが二国間市場のマーケットメイカーとテイカーとして機能するためです。一方のユーザーはフロアプライスを固定することでリスクをヘッジしプレミアムを支払い、他方のユーザーは安定コインの流動性を預けてリターンを得ます。プレミアムコストの価格設定は、市場の両側を満足させるために最適化される必要がある。高すぎれば受け手は参加せず、安すぎればリスクを引き受ける必要があるマーケットメーカーにとって魅力的でなくなる。価格の変動やボラティリティが変化すると、均衡を見出すのはより複雑になる。このため、BumperのABMツールは、リアルタイムのボラティリティに合わせてプレミアム価格を動的に調整し、LLM（大規模言語モデル）からのシグナルを吸収し、市場動向を予測し、積極的にリバランスを行うため、非常に重要なのです。

AIの統合戦略をサポートするこのABMアプローチにより、バンパーのプロトコルの効率は経済的に5～25％向上し、保険料の低下、利回りの向上、支払能力の強化というトリレンマのバランスを効果的にとることができると予測している。

価格予測

最初のAI技術スタックは価格予測に関連しており、700億パラメータの大規模言語モデル（LLM）を利用しています。LLMは、人間のフィードバックによる強化学習（RLHF）を使って微調整され、実際の価格データと一致する予測モデルに報酬を与える。下のチャートは、Bumperの700億パラメータLLMを使用したビットコインの価格予測を視覚的に表したものです。

トレーニングは当初、日次のオープン/クローズ価格に基づいて行われましたが、後に1時間ごとのデータに変更され、最終的にはより高い精度を得るためにティックデータを取り入れることを目標としました。BTCのティックデータには数百テラバイトのデータ量が含まれているため、RAG（Retrieval Augmented Generation）を使用してリレーショナルデータベースの情報をデータベクトルに変換します。RAG技術はLLMのパフォーマンスを向上させるだけでなく、リアルタイムの資産価格データの複数のストリームの統合を容易にします。

センチメント分析

2つ目のAI技術スタックは、センチメント分析に焦点を当てています。あらかじめ訓練された80億パラメータの大規模言語モデル（LLM）を活用することで、Bumperは大量の金融自然言語処理（NLP）データを分析し、これまでにないきめ細かさで市場のセンチメントを捉えることができます。微調整と高度なNLP技術を通じて、Bumperは投機家の態度に関する貴重な洞察を得て、市場のダイナミクスとトレンドをより深く理解することができました。

Bumperの事前訓練されたLLMは、幅広い金融NLPデータを取り込み、センチメントを詳細なスコアと分布に分類し、市場センチメントのニュアンスに富んだ理解を提供します。このモデルは、意見、態度、センチメントをタグ付けするための双方向エンコーダ表現（BERT）と、特定の金融語彙を識別するための特殊なNLPトレーニングを使用して微調整されます。

BERTは、グーグルが開発した最先端の自然言語処理（NLP）モデルです。対象となる単語の前の単語だけでなく、前後の単語も同時に考慮することで、文中の単語の文脈を理解します。この双方向のアプローチにより、BERTは単語の完全な文脈を把握し、その意味をより正確に解釈することができる。

LLLMは、文脈と変換器ベースの構造を決定する際に、モデルが文中の異なる単語の重要性を重み付けすることを可能にする注意メカニズムを備えており、市場のセンチメントと投資家の行動を効果的に識別し、将来の市場動向を予測します。

テクニカル分析

3つ目のAI技術スタックはテクニカル分析に焦点を当てています。Bumperは、大規模な言語視覚アシスタント（LLAVA）を訓練することで、視覚ベースの価格画像分析とNLP主導のテクニカル指標解釈を組み合わせた新しい手法を開発しています。この統合により、Bumperは過去の価格データと市場動向に基づいて情報に基づいた意思決定を行うことができます。

このプロセスでは、過去のビットコイン価格データをチャート画像に変換します。これらの画像には、サポート/レジスタンスレベル、相対力指数（RSI）、移動平均収束ダイバージェンス（MACD）などのテクニカルマーカーが付けられています。LLAVAモデルは、これらの視覚的データポイントと関連するNLPテクニカル指標を処理します。

このエンドツーエンドのマルチモーダルモデルは、視覚コーダーと大規模言語モデル（LLM）を接続し、システムが複雑な市場データを分析・解釈できるようにします。さらに、このモデルには過去の時系列予測のためのLSTM（Long Short-Term Memory）が組み込まれており、過去のトレンドに基づいて将来の市場の動きを予測する能力を高めています。

概要

Bumperプロジェクトは、AIをDeFiプロトコルに統合することで、暗号通貨市場においてより効果的なリスク管理ソリューションを提供することに専念しています。このプロジェクトは、価格予測、センチメント分析、テクニカル分析という3つのAI技術スタックを、エージェント・ベース・モデリング（ABM）アプローチと組み合わせて活用し、リアルタイムの市場変動に合わせてプレミアム価格を動的に調整する。この革新的なアプローチにより、Bumperはプロトコルの経済効率を向上させるだけでなく、参加者にとってより公平で安全かつ信頼性の高い環境を構築する。これらの技術を組み合わせることで、バンパーの契約効率は5～25％向上し、保険料の引き下げ、リターンの向上、ソルベンシー強化のバランスに効果的に対処できると期待されている。