Yaliyomo
1. Utangulizi
Biashara ya fedha za kidijitali inawakilisha uwanja unaoibuka wenye uwezo mkubwa wa utafiti na kupitishwa kwa kasi na tasnia. Hali ya kujitegemea ya fedha za kidijitali inawezesha upatikanaji wa viashiria vingi kupitia utafutaji rahisi, na kusasishwa mara kwa mara angalau kila siku. Hii inaunda fursa za utafiti wa kimfumo wa biashara unaoongozwa na data ambapo data ndogo ya kihistoria inaweza kuboreshwa kwa vipengele vya ziada kama vile kiwango cha hashrate au data ya Google Trends.
Changamoto kuu inayoshughulikiwa katika utafiti huu ni jinsi ya kuchagua na kuchakata kwa ufanisi vipengele hivi vingi kwa utendaji bora wa biashara. Mbinu za kitamaduni hutegemea vipengele vilivyotengenezwa kwa mikono na mikakati ya kimsingi, ambayo huenda isiweze kukamata muundo tata katika soko la fedha za kidijitali.
Thamani ya Soko
$1.2T
Thamani ya soko la fedha za kidijitali mwaka 2023
Mara ya Kusasishwa Data
Kila Siku+
Mara ya kusasishwa kwa vyanzo mbadala vya data
2. Mbinu
2.1 Muundo wa Mitandao ya Kuanzishwa ya Vipengele Vingi
MFIN inapanua Mitandao ya Kina ya Kuanzishwa (DIN) kufanya kazi katika muktadha wa vipengele vingi, kujifunza kiotomatiki vipengele kutoka kwa data ya mapato kwenye mali nyingi na vipengele. Muundo huu unachakata mfululizo mmoja wa wakati wa mapato kwa kila mchanganyiko wa mali na kipengele, na kuwezesha modeli kujifunza vipengele muhimu moja kwa moja kutoka kwa data bila uhandisi wa kibinadamu wa vipengele.
2.2 Utaratibu wa Kujifunza Vipengele
Modeli hutoa saizi za nafasi zinazoboresha uwiano wa Sharpe wa portfoli, na kujifunza tabia zisizo na uhusiano ikilinganishwa na mikakati ya kitamaduni ya msukumo na urejeshaji. Vipengele muhimu ni pamoja na bei, kiasi, kiwango cha hashrate, na data ya mitandao ya kijamii kama vile tweet.
3. Utekelezaji wa Kiufundi
3.1 Mfumo wa Kihisabati
Lengo kuu la uboreshaji ni kuongeza kiwango cha Sharpe:
$$\text{ongeza } SR = \frac{\mathbb{E}[R_p]}{\sigma_p}$$
ambapo $R_p$ inawakilisha mapato ya portfoli na $\sigma_p$ msukumo wa portfoli. Moduli za kuanzishwa hutumia vichujio mbalimbali vya kijamii vyenye maeneo tofauti ya kupokea:
$$y_t = \sum_{i=1}^{N} W_i * x_{[t-k_i:t]} + b_i$$ambapo $k_i$ inawakilisha madirisha tofauti ya kuangalia nyuma na $W_i$ ni vichujio vilivyojifunza.
3.2 Utekelezaji wa Msimbo
class MFINLayer(nn.Module):
def __init__(self, num_factors, num_assets, hidden_dims=64):
super().__init__()
self.inception_blocks = nn.ModuleList([
InceptionBlock(num_factors, hidden_dims)
for _ in range(num_assets)
])
self.portfolio_layer = nn.Linear(hidden_dims * num_assets, num_assets)
def forward(self, x):
# x shape: [batch, timesteps, num_assets, num_factors]
asset_features = []
for i in range(x.shape[2]):
asset_data = x[:, :, i, :]
features = self.inception_blocks[i](asset_data)
asset_features.append(features)
combined = torch.cat(asset_features, dim=-1)
weights = torch.softmax(self.portfolio_layer(combined), dim=-1)
return weights
4. Matokeo ya Majaribio
4.1 Ulinganisho wa Utendaji
Miundo ya MFIN ilionyesha mapato thabiti wakati wa 2022-2023 wakati mikakati ya kitamaduni na masoko mapana ya fedha za kidijitali yalikuwa duni. Mfumo huu ulifikia viwango vya juu vya Sharpe ikilinganishwa na mikakati ya kimsingi ya msukumo na urejeshaji huku ukidumisha uhusiano mdogo na vipengele vya kitamaduni.
4.2 Mapato yaliyorekebishwa Kulingana na Hatari
Matokeo ya majaribio yanaonyesha kuwa mikakati ya MFIN inabaki kuleta faida baada ya kuzingatia gharama za manunuzi. Mikakati iliyojifunza inaonyesha tabia isiyo na uhusiano na mbinu za kitamaduni, na kutoa faida za utofautishaji katika portfoli za fedha za kidijitali.
Ufahamu Muhimu
- MFIN inafanikiwa kupata mapato bora yaliyorekebishwa kulingana na hatari katika soko la wanyama
- Kujifunza kiotomatiki kwa vipengele hushinda vipengele vilivyotengenezwa kwa mikono
- Mbinu ya vipengele vingi inakamata mienendo tata ya soko
- Mkakati unabaki kuleta faida baada ya gharama za manunuzi
5. Uchambuzi Muhimu
6. Matumizi ya Baadaye
Mfumo wa MFIN una uwezo mkubwa zaidi ya biashara ya fedha za kidijitali. Matumizi ni pamoja na:
- Aina za Mali za Kitamaduni: Kukabiliana na hisa, mapato thabiti, na bidhaa
- Portfoli za Mali Nyingi: Mgawanyo wa mali mbalimbali kwa kutumia seti tofauti za vipengele
- Usimamizi wa Hatari: Kuunda mifano ya hatari ya kipengele na kupima msongo
- Teknolojia ya Udhibiti: Ufuatiliaji wa soko na ugunduzi wa mienendo isiyo ya kawaida
Maelekezo ya utafiti wa baadaye ni pamoja na kujumuisha utaratibu wa umakini kwa uundaji wa kitampo, uhamisho wa kujifunza kutoka kwa aina zinazohusiana za mali, na kuchunguza kujifunza kwa nguvu kwa marekebisho ya mkakati wa nguvu.
7. Marejeo
- Liu, T., & Zohren, S. (2023). Mitandao ya Kuanzishwa ya Vipengele Vingi kwa Biashara ya Fedha za Kidijitali.
- Zhu, J.-Y., et al. (2017). Tafsiri ya Picha hadi Picha isiyo na jozi kwa kutumia Mitandao ya Kupingana ya Mwendo wa Mzunguko. ICCV.
- Bodi ya Hifadhi ya Shirikisho (2021). Data Mbadala katika Masoko ya Kifedha.
- Nakamoto, S. (2008). Bitcoin: Mfumo wa Pesa wa Umma kwa Umma.
- Utafiti wa Binance (2023). Uchambuzi wa Data ya Soko la Fedha za Kidijitali.
- Taasisi ya Oxford-Man (2022). Mapitio ya Utafiti wa Fedha za Kiasi.
Kukata Hadithi Fupi (Kukata Hadithi Fupi)
Makala hii inatoa suluhisho la kisasa kwa kikwazo cha uhandisi wa vipengele ambacho kimesababisha matatizo katika biashara ya kiasi ya crypto. Waandika kimsingi wameweka kiotomatiki kile kilikuwa zamani ni sanaa - uteuzi wa kipengele - na matokeo yanazungumza yenyewe.
Mnyororo wa Mantiki (Mnyororo wa Mantiki)
Maendeleo ya utafiti ni makosa: kuanzia kwenye mapungufu yanayotambuliwa ya vipengele vilivyotengenezwa kwa mikono katika mbinu za kitamaduni za ML, waandika hujenga juu ya muundo uliowekwa wa DIN, kuupanua kwa miktadha ya vipengele vingi, na kuthibitisha kwa kupima nyuma kwa ukali. Mtiririko wa mantiki kutoka kwa utambuzi wa tatizo hadi utekelezaji wa suluhisho hauna mapungufu.
Vipengele Vya Kuvutia na Mapungufu (Vipengele Vya Kuvutia na Mapungufu)
Vipengele Vya Kuvutia: Utendaji wa mfumo huu wakati wa majira ya baridi ya crypto ya 2022-2023 ni wa kushangaza. Wakati mikakati ya kitamaduni iliporomoka, MFIN ilidumisha mapato thabiti - hii sio tu uboreshaji wa nyongeza, bali ni mabadiliko ya dhana. Kujifunza kiotomatiki kwa vipengele kinalingana na mienendo katika nyanja zingine, sawa na jinsi Transformers ilivyobadilisha NLP kwa kupunguza uhandisi wa kibinadamu wa vipengele.
Mapungufu: Makala hiyo inadharau mahitaji ya kihesabu. Kufundisha miundo ya vipengele vingi kwenye mali nyingi kunahitaji rasilimali kubwa ambazo zinaweza kupunguza ufikiaji kwa taasisi ndogo. Zaidi ya hayo, wakati mbinu inapunguza uhandisi wa kibinadamu wa vipengele, inaletia ugumu wa uboreshaji wa hyperparameter ambao unaweza kuwa kikwazo kipya.
Ushauri Unaoweza Kutekelezeka (Ushauri Unaoweza Kutekelezeka)
Kwa fedha za kiasi: kupitishwa mara moja kwa miundo sawia kunastahili. Uzalishaji wa alfa ulioonyeshwa katika hali changa za soko unapendekeza kuwa mbinu hii inakamata mienendo ya msingi ya soko ambayo wengine wanakosa. Kwa watafiti: dhana ya kuanzishwa kwa vipengele vingi ina matumizi mapana zaidi zaidi ya crypto - fikiria miundo ya kipengele cha hisa, biashara ya bidhaa, na hata utabiri wa kiuchumi kikubwa.
Utafiti huu unarudia matokeo kutoka kwa makala ya Zhu et al. ya CycleGAN katika mbinu yake ya mabadiliko ya kiotomatiki ya kipengele, na kuonyesha jinsi uvumbuzi wa kijengo katika nyanja moja inaweza kubadilisha nyanja nyingine. Kama ilivyoelezwa katika utafiti wa Federal Reserve juu ya data mbadala katika masoko ya kifedha, uwezo wa kuchakata vyanzo vingi vya data visivyo na muundo kwa utaratibu unawakilisha upeo wa pili katika fedha za kiasi.
Kinachofanya hii iwe ya kuvutia hasa ni wakati. Kwa masoko ya fedha za kidijitali yanakomaa na ushiriki wa taasisi ukiongezeka, miundo kama MFIN inatoa usanifu unaohitajika kushindana katika masoko yenye ufanisi zaidi. Siku za mikakati rahisi ya msukumo katika crypto zimehesabiwa, na utafiti huu unaonyesha kwa nini.