Tìm hiểu về cách sử dụng trí tuệ nhân tạo của Bumper để giúp quản lý rủi ro DeFi trong một bài viết

Tác giả: revelointel Nguồn: substack Dịch: Shan Oppa, Golden Finance

AI là lĩnh vực tiền điện tử hiện nay Một trong những câu chuyện mạnh mẽ nhất hiện có, nếu không muốn nói là mạnh mẽ nhất và nó sẽ không sớm biến mất. Mới hôm qua, Apple đã công bố sự tích hợp lớn với OpenAI để đưa các ứng dụng AI có tính sáng tạo đến tay người dùng. NVDA (Nvidia) tiếp tục tăng mạnh, tạo ra sự quan tâm của những người bản xứ tiền điện tử đang tìm cách tiếp xúc nhiều hơn với ngành. Mặc dù chắc chắn có nhu cầu về các tài sản liền kề bằng tiền điện tử nhưng không có nhiều dự án thực sự kết hợp AI vào hoạt động của họ...

Trong bài viết này, chúng tôi sẽ Tập trung vào Bumper . Với tiền đề ban đầu là bảo vệ rủi ro giảm giá, Bumper đang đưa AI theo một hướng mới. Bumper là một giao thức DeFi mới giúp tăng cường thị trường phái sinh truyền thống bằng cách cung cấp một cách đơn giản, công bằng và phi tập trung để phòng ngừa rủi ro về giá. Giao thức sử dụng một công cụ ngăn ngừa tổn thất nhằm bảo vệ giá khỏi các sự cố thị trường và biến động giảm giá. Triết lý của Bumper xoay quanh việc thiết lập một quy trình công bằng để phân bổ lãi và lỗ trong thị trường rủi ro. Không giống như các thị trường cạnh tranh truyền thống, thường có người thắng và kẻ thua, động lực của Bumper là tạo ra một hệ thống thúc đẩy sự công bằng và phân phối nguồn lực công bằng. Mục đích của Bumper là cung cấp một cơ chế rủi ro về giá tương hỗ nhằm ưu tiên giảm thiểu tổn thất cá nhân hơn là tối đa hóa lợi nhuận cá nhân. Bằng cách tập trung vào quản lý và bảo vệ rủi ro, Bumper nhằm mục đích tạo ra một môi trường an toàn và bảo mật hơn cho những người tham gia hệ sinh thái DeFi.

Như bạn đã biết, tiền điện tử vốn có tính biến động cao; việc hạn chế rủi ro giảm giá trong khi vẫn duy trì được tiềm năng tăng giá một cách hiệu quả có thể khó khăn. Đây là nơi tích hợp AI của Bumper tỏa sáng; nhóm sử dụng AI để giúp dự đoán biến động giá, từ đó mang lại cho người dùng lợi suất cao hơn, phí bảo hiểm thấp hơn, hiệu quả và khả năng thanh toán được cải thiện.

Nền đệm

Bộ đệm là một giao thức điển hình dành riêng cho việc cải thiện các giao thức hiện có thông qua AI s dự án. Đúng như dự đoán, chiến lược tích hợp AI của Bumper xoay quanh ba nhóm công nghệ AI chính, mỗi nhóm được thiết kế để giải quyết những thách thức cụ thể và nâng cao khả năng của giao thức:

• Dự đoán giá

• Phân tích tình cảm

• Phân tích kỹ thuật

Để xác minh mô hình dự đoán của nó về tính chính xác và hiệu quả, Bumper sử dụng phương pháp Mô hình hóa dựa trên tác nhân (ABM) độc quyền. ABM là một kỹ thuật tính toán mô phỏng hành động và tương tác của các tác nhân tự trị (như cá nhân, nhóm hoặc thực thể) để đánh giá tác động của chúng đối với hệ thống tổng thể. Các tác nhân này tuân theo các quy tắc được xác định trước và có thể học hỏi, thích ứng cũng như phát triển dựa trên kinh nghiệm và tương tác của chúng.

Đại lý rất quan trọng vì Bumper hoạt động với tư cách là người tạo và người nhận thị trường hai mặt: người dùng một mặt phòng ngừa rủi ro và trả phí bảo hiểm bằng cách khóa giá sàn, và mặt khác, Người dùng một mặt gửi tiền thanh khoản stablecoin để kiếm lợi nhuận. Để đáp ứng nhu cầu của cả hai phía thị trường, việc định giá các chi phí bổ sung cần phải tối ưu: nếu quá đắt thì người nhận sẽ không tham gia; nếu quá rẻ thì sẽ không hấp dẫn đối với các nhà tạo lập thị trường vì họ sẽ không tham gia. cần phải gánh chịu rủi ro. Khi giá biến động và biến động thay đổi, việc tìm kiếm sự cân bằng trở nên phức tạp hơn. Đây là lý do tại sao công cụ ABM của Bumper lại quan trọng đến vậy, vì nó có thể linh hoạt điều chỉnh giá cao dựa trên biến động theo thời gian thực, hấp thụ tín hiệu từ LLM (Mô hình ngôn ngữ lớn), dự đoán xu hướng thị trường và chủ động tái cân bằng.

Thông qua phương pháp tiếp cận ABM hỗ trợ các chiến lược tích hợp AI, Bumper dự đoán rằng hiệu quả giao thức của nó sẽ tăng tính kinh tế lên 5-25%, cân bằng hiệu quả các khoản phí bảo hiểm thấp hơn và hơn thế nữa. có năng suất và khả năng thanh toán cao.

Dự đoán giá

Ngăn xếp công nghệ AI đầu tiên có liên quan đến dự đoán giá, sử dụng 700 Mô hình ngôn ngữ lớn (LLM) với 100 triệu tham số. Bumper đã đào tạo LLM này về dữ liệu tài chính, bao gồm các chỉ báo giá (mở, cao, thấp, đóng) và khối lượng từ tập dữ liệu giá Bitcoin. LLM sử dụng phương pháp học tăng cường với phản hồi của con người (RLHF) để tinh chỉnh, bổ ích cho các mô hình dự đoán phù hợp với dữ liệu giá thực tế. Hình ảnh bên dưới hiển thị trực quan dự đoán giá Bitcoin bằng cách sử dụng tham số LLM 70 tỷ của Bumper.  

Ban đầu được đào tạo dựa trên giá mở/đóng hàng ngày và sau đó được thay đổi thành dữ liệu hàng giờ. Mục tiêu cuối cùng là kết hợp dữ liệu đánh dấu để đạt được độ chính xác cao hơn. Vì dữ liệu đánh dấu $BTC chứa hàng trăm terabyte dữ liệu nên nó sử dụng Tạo tăng cường truy xuất (RAG) để chuyển đổi thông tin cơ sở dữ liệu quan hệ thành vectơ dữ liệu. Công nghệ RAG không chỉ cải thiện hiệu suất LLM mà còn tạo điều kiện tích hợp nhiều luồng dữ liệu giá tài sản theo thời gian thực, đây là chìa khóa của RLHF trong cửa sổ ngữ cảnh LLM hiện có.

Phân tích cảm tính

Nhóm công nghệ AI thứ hai tập trung vào phân tích cảm tính. Bằng cách tận dụng mô hình ngôn ngữ lớn (LLM) gồm 8 tỷ tham số được đào tạo trước, Bumper có thể phân tích một lượng lớn dữ liệu xử lý ngôn ngữ tự nhiên tài chính (NLP) để nắm bắt tâm lý thị trường với mức độ chi tiết chưa từng có. Thông qua các kỹ thuật NLP tinh chỉnh và nâng cao, Bumper thu được những hiểu biết có giá trị về thái độ của nhà đầu cơ, dẫn đến hiểu biết sâu sắc hơn về động lực và xu hướng thị trường.

LLM được đào tạo trước của Bumper sử dụng nhiều loại dữ liệu NLP tài chính để phân loại cảm tính thành điểm số và phân bổ chi tiết nhằm cung cấp hiểu biết chi tiết về tâm lý thị trường. Mô hình này được tinh chỉnh bằng cách sử dụng Biểu diễn bộ mã hóa hai chiều (BERT) để gắn nhãn các ý kiến, thái độ và tình cảm, đồng thời được đào tạo bằng NLP chuyên biệt để xác định các từ tài chính cụ thể.

BERT là mô hình xử lý ngôn ngữ tự nhiên (NLP) tiên tiến do Google phát triển. Nó hiểu ngữ cảnh của các từ trong câu bằng cách xem xét các từ trước và sau từ mục tiêu cùng một lúc, thay vì chỉ các từ trước đó. Cách tiếp cận hai chiều này cho phép BERT nắm bắt được ngữ cảnh đầy đủ của một từ để diễn giải chính xác hơn ý nghĩa của nó.

LLM được trang bị cơ chế chú ý cho phép mô hình cân nhắc tầm quan trọng của các từ khác nhau trong câu khi xác định ngữ cảnh và cấu trúc dựa trên biến áp để xác định thị trường một cách hiệu quả Tâm lý và hành vi của nhà đầu tư để dự đoán xu hướng thị trường trong tương lai.

p>

Phân tích kỹ thuật

Nhóm công nghệ AI thứ ba tập trung vào phân tích kỹ thuật. Bumper đang phát triển một phương pháp mới để kết hợp phân tích hình ảnh giá dựa trên tầm nhìn với việc giải thích các chỉ báo kỹ thuật dựa trên NLP bằng cách đào tạo trợ lý trực quan và ngôn ngữ quy mô lớn (LLAVA). Việc tích hợp này cho phép Bumper đưa ra quyết định sáng suốt dựa trên dữ liệu lịch sử về giá và xu hướng thị trường.

Quá trình này bao gồm việc chuyển đổi dữ liệu giá Bitcoin lịch sử thành hình ảnh biểu đồ. Các hình ảnh được chú thích bằng các dấu hiệu kỹ thuật như mức hỗ trợ/kháng cự, chỉ số sức mạnh tương đối (RSI) và phân kỳ hội tụ trung bình động (MACD). Mô hình LLAVA xử lý các điểm dữ liệu trực quan này và các chỉ báo kỹ thuật NLP liên quan.  

Mô hình đa phương thức đầu cuối này kết nối bộ mã hóa hình ảnh với mô hình ngôn ngữ lớn (LLM), cho phép hệ thống phân tích và diễn giải dữ liệu thị trường phức tạp. Ngoài ra, mô hình còn tích hợp bộ nhớ dài hạn (LSTM) để dự báo chuỗi thời gian lịch sử, nâng cao khả năng dự đoán xu hướng thị trường trong tương lai dựa trên các xu hướng trong quá khứ.

Tóm tắt

Dự án Bumper tích hợp AI vào giao thức DeFi đã cam kết. cung cấp các giải pháp quản lý rủi ro hiệu quả hơn trong thị trường tiền điện tử. Dự án sử dụng ba nhóm công nghệ AI chính là dự đoán giá, phân tích tâm lý và phân tích kỹ thuật, kết hợp với phương pháp mô hình hóa dựa trên đại lý (ABM) để điều chỉnh linh hoạt mức giá cao cấp nhằm thích ứng với những biến động của thị trường theo thời gian thực. Thông qua cách tiếp cận sáng tạo này, Bumper không chỉ cải thiện hiệu quả kinh tế của giao thức mà còn tạo ra một môi trường công bằng hơn, an toàn hơn và đáng tin cậy hơn cho người tham gia. Việc áp dụng toàn diện các công nghệ này dự kiến ​​sẽ tăng hiệu quả giao thức của Bumper lên 5-25%, giải quyết hiệu quả vấn đề cân bằng giữa giảm phí bảo hiểm, tăng lợi nhuận và nâng cao khả năng thanh toán.