AI-modeller til kryptoprissprediktion står over for volatilitetstest

Kunstig intelligens (AI) er en af de vigtigste teknologiske fremskridt i den moderne æra og omformer ikke kun, hvordan vi arbejder, men også hvordan vi træffer beslutninger.

I kryptomarkeder, som opererer døgnet rundt på tværs af grænser, har AI-modeller fået betydelig opmærksomhed og anvendelse, især til at forudsige priser, der udviser pludselige og ekstreme bevægelser. Denne volatilitet gør krypto til en ekstraordinær mulighed, men også yderst uforudsigelig.

Efterhånden som teknologien bliver mere avanceret og udbredt, vender markedets aktører i stigende grad til maskinlæringssystemer for at skære igennem støjen, identificere mønstre og generere forudsigende indsigter.

Kryptomarkederne udgør dog et af de hårdeste finansielle miljøer at forudsige i.

Ekstrem volatilitet er en stor årsag, men der er også andre faktorer, herunder spekulativ stemning, makroøkonomiske chok, regulatoriske ændringer og handelsadfærd drevet af sociale medier, som gør kryptoforudsigelse usædvanligt vanskelig.

Bevæbnet med sofistikerede dybe læringsarkitekturer og enorme on-chain- og markedsdata forsøger forskere, handlende og investorer nu at gøre, hvad menneskelige analytikere stort set har fejlet i at gøre konsekvent: forudsige, hvor kryptopriserne bevæger sig hen næste gang.

Men det centrale spørgsmål nu er ikke, om AI overhovedet kan forudsige kryptovalutapriser, men om disse modeller konsekvent kan levere pålidelige, virkelige handelsfordele under volatile markedsforhold.

Efterhånden som kryptoadoptionen fortsætter med at vokse og bliver mainstream gennem integrationen med den traditionelle finanssektor, sigter ny forskning mod at overvinde udfordringerne ved ekstreme prisudsving og levere en pålidelig model til at generere præcise forudsigelser.

Forskningen evaluerer dybe læringsmodeller på tværs af fire store kryptovalutaer, Bitcoin, Ethereum, Dogecoin og Litecoin, og finder, at selvom avancerede maskinlæringsalgoritmer kan forbedre nøjagtigheden af forudsigelser under visse betingelser, begrænser volatiliteten stadig deres robusthed, skalerbarhed og praktiske implementering.

AI-boomen når kryptomarkederne

I dag er AI overalt, bliver en integreret del af vores liv. Og selvom det kan synes, at AI kom ud af det blå, er det ikke tilfældet.

AI har været i udvikling siden 1950’erne, og har udviklet sig gennem årtier af forskning og teknologiske gennembrud. Men på trods af sin lange historie gik teknologien fra et fremvoksende felt til et mainstream forretningsværktøj med bemærkelsesværdig hastighed. Denne acceleration blev umulig at ignorere i slutningen af 2022 med lanceringen af ChatGPT.

OpenAI’s bredt populære chatbot ChatGPT, støttet af Microsoft (MSFT ), slog rekorder ved at nå 1 million brugere på kun fem dage. Ved at gøre kraftfulde store sprogmodeller (LLM’er) let tilgængelige for almindelige brugere, skubbede ChatGPT AI fra et niche‑teknologikoncept ind i mainstream. Den har nu 900 millioner aktive brugere om ugen globalt, hvilket betyder, at en betydelig del af verdens befolkning nu interagerer med AI på en eller anden måde.

Den adoption strækker sig langt ud over forbrugerne. Virksomheder i dag bruger i stigende grad AI‑værktøjer til automatisering, softwareudvikling, cybersikkerhed, sundhedsdiagnostik, markedsføring, kundeservice, logistik og forudsigelser.

Ifølge McKinsey vil omkring 88 % af de undersøgte organisationer bruge AI i mindst én forretningsfunktion inden 2025 og betragte “AI som en katalysator til at transformere deres organisationer, omdesigne arbejdsprocesser og accelerere innovation.”

Appellen ved AI ligger i dens evne til at behandle enorme datamængder, automatisere gentagne opgaver, identificere ikke‑lineære relationer og generere forudsigelser meget hurtigere end mennesker. Som følge heraf implementerer virksomheder hurtigt AI for at forbedre produktiviteten, reducere driftsomkostninger, personalisere kundeoplevelser og accelerere innovationscyklusser.

McKinsey anslår, at AI kan bidrage med billioner af dollars i langsigtede produktivitetsgevinster globalt. Ikke overraskende er et af de mest aktive områder for AI‑implementering den finansielle sektor, hvor banker og investeringsfirmaer bruger maskinlæringsmodeller til at opdage svig, overholde anti‑hvidvaskningsregler (AML), håndtere risiko og udføre handler automatisk.

Kryptomarkederne er imidlertid fremkommet som særligt attraktive miljøer for AI‑eksperimentering på grund af deres digitalt indfødte struktur og højfrekvente datagenerering.

AI i crypto refererer generelt til anvendelsen af maskinlæring, dyb læring, naturlig sprogbehandling, forstærkningslæring og forudsigende analyse på blockchain‑baserede finansielle systemer. I øjeblikket bruges AI‑værktøjer til crypto‑handelsbots, markedsstemningsanalyse, svigdetektion, blockchain‑analyse, revision af smarte kontrakter, porteføljeoptimering, autonom risikostyring, decentraliseret finans (DeFi)‑analyse og tokenprisprediktion, mens blockchain leverer gennemsigtighed og auditabilitet.

Sammenløbet mellem AI og crypto, en naturlig udvikling, forventes at forme næste generation af finansielle produkter og drive adoption ud over spekulation til reelle, indtægtsgenererende anvendelser.

Endnu vigtigere har den voksende institutionalisering af kryptomarkederne, sammen med udvidelsen af digitale aktiver, intensiveret efterspørgslen efter mere sofistikerede forudsigelsessystemer, der kan navigere i volatile prismiljøer.

Søgning efter en fordel i et kaotisk marked

Efterhånden som crypto fremstår som en nøglefaktor i finansielle markedsmuligheder, søger investorer nøjagtige forudsigelser for at træffe informerede beslutninger og øge profitten. Men at forudsige kryptopriser er ikke let; som en 2020‑undersøgelse bemærker, er det en udfordrende opgave “på grund af dens kaotiske og meget komplekse natur.”¹

Kryptoprissprediktion er processen med at forudsige fremtidige prisbevægelser ved hjælp af historiske data, tekniske indikatorer, handelsadfærd, makroøkonomisk information og andre datasæt, såsom stemning på sociale medier og blockchain‑aktivitet. Det befinder sig i krydsfeltet mellem store finansielle indsatser og en reel videnskabelig udfordring.

For investorer giver evnen til at forudsige fremtidige prisbevægelser potentialet for profit. I øjeblikket ejer mere end en halv milliard mennesker mindst én kryptovaluta, og Bitcoin alene kommanderer 58 % af det samlede kryptomarked med en markedsværdi på 1,5 billioner dollars.

Med så mange brugere og så meget kapital i bevægelse kan selv en lidt bedre forudsigelsesmodel give en betydelig finansiel fordel for mange mennesker.

Hurtig prisstigning og stejle nedture på kort tid skaber især profitmuligheder for spekulative handlende. Tidligere kryptocyklusser viser, at når volatiliteten springer, klarer handlende, der reagerer i tide ved at rotere ind og ud af stablecoins, sig bedre. At navigere disse skift afhænger dog ikke kun af disciplin; det kræver også forudseenhed, hvilket er hvad forudsigelsesmodeller lover.

Fordi kryptovalutaer handles kontinuerligt og oplever store kortsigtede udsving, er forudsigelsesværktøjer også værdifulde for handlende og investorer til bedre timing af deres indgange, størrelsesfastsættelse af positioner, balancering af porteføljer, håndtering af risikoudsættelse og endda udnyttelse af arbitragemuligheder. Men at forudsige kryptopriser er ikke så let som at forudsige traditionelle finansielle aktiver.

Den iboende høje volatilitet i crypto, som gør det til et profitabelt marked for spekulation, komplicerer også den forudsigende prisanalyse. Derudover er der faktum, at kryptomarkederne bevæger sig på følelser, nyheder og handlinger fra store tokenindehavere, såkaldte hvaler. Med en enkelt transaktion kan hvaler flytte markederne. På samme måde har fortællinger på sociale medier, regulatoriske udviklinger, makroøkonomiske forhold og on‑chain‑datastreams en enorm indvirkning på kryptopriser.

Desuden tilføjer den decentraliserede natur af kryptovalutaer, deres særpræg som transaktionshastighed og økosystemvariationer, samt deres følsomhed over for faktorer som teknologiske fremskridt, regeringens politikker, globale begivenheder og offentlig opfattelse, vanskeligheden ved at lave præcise forudsigelser.

Derfor er det svært for AI‑systemer at forudsige præcise crypto‑bevægelser. Teknologien kæmper med datakvalitetsproblemer, dårlig generalisering, regimeændringer og sorte svane‑begivenheder. AI‑modeller fungerer faktisk bedst til retningstegn, stemningsvurdering og kortsigtet trend‑sandsynlighed snarere end præcise pris‑mål.

På trods af begrænsningerne er anvendelsen af AI til kryptoforudsigelse vokset betydeligt.

Løftet & fejlpunkter ved AI-modeller

Ligesom aktieprisprediktion er kryptoprissprediktion en almindelig type tidsserieproblem. Men traditionelle forudsigelsesmetoder, såsom de velkendte autoregressive integrerede glidende gennemsnitsmodeller (ARIMA) og statistiske regressioner, har svært ved at fange den ikke‑lineære adfærd af kryptopriser, som også udviser regimes ustabilitet og følsomhed over for eksogene chok.

AI-modeller, især dybe læringsarkitekturer, er attraktive her, fordi de kan lære komplekse tidsmæssige relationer og tilpasse sig store multidimensionale datasæt.

Dyb læring (DL) er en gren af maskinlæring designet til at løse ikke‑lineære og komplekse problemer. Og med kryptoværdier, der udviser næsten kaotisk, uforudsigelig adfærd, tilbyder dybe læringsteknikker et fremragende alternativ til at forudsige kryptovalutapriser.

Disse modeller er blevet centrale i moderne kryptoprisspredikationsforskning og standardkomponenter i institutionelle crypto‑handelsdesk.

Moderne AI‑drevne crypto‑forudsigelsessystemer bruger nu almindeligt Long Short‑Term Memory (LSTM)-netværk til tidsserie‑forudsigelse, Convolutional Neural Networks (CNN) til funktionsekstraktion, transformer‑arkitekturer til sekvensmodellering, multivariate modeller, der udnytter makroøkonomiske og korrelerede aktivdata, stemningsanalyse‑systemer trænet på nyheds‑ og sociale‑mediedata samt forstærkningslæring til automatiserede handelsstrategier.

CNN‑ og LSTM‑netværk er to af de mest udbredte og succesfulde dybe læringsteknikker.

LSTM er en særlig type Recurrent Neural Network (RNN) designet til at behandle sekventielle data. Mens traditionelle netværk har svært ved at huske langsigtet kontekst, kan LSTM’er lære langsigtede afhængigheder ved hjælp af feedback‑forbindelser.

Disse netværk består af en hukommelsescelle, der gemmer og opdaterer information over tid, en input‑gate, der styrer, hvilken ny information der skal tilføjes cellen, en forget‑gate, der styrer, hvilken information der skal fjernes, og en output‑gate, der styrer, hvilken information fra hukommelsescellen der skal sendes til den næste skjulte tilstand og output, og derved skaber en kontrolleret informationsstrøm.

LSTM‑modeller har vist bemærkelsesværdig præstation i tidsserie‑forudsigelse, hvor både nylige og fjerne historiske mønstre bærer forudsigende vægt.

Bidirectional Long Short‑Term Memory (BiLSTM) behandler derimod sekvensdata i både fremad‑ og baglæns retning. Den forbinder to LSTM‑lag i modsatte retninger til en fælles output, hvilket indfanger både tidligere og fremtidig kontekstuel information og gør den yderst effektiv til tidsserie‑forudsigelse.

Derefter er der Convolutional Neural Networks, som er specialiserede dybe læringsmodeller designet til at behandle gitter‑strukturerede data, som billeder og video. De efterligner det menneskelige visuelle system ved automatisk at lære rumlige mønstre, såsom dem i komplekse objekter, gennem en hierarki af trænbare filtre. CNN’er bruger konvolutions‑ og pooling‑lag til at filtrere rå inputdata og udtrække værdifulde funktioner, som føres til et fuldt forbundet lag for at producere den endelige output.

Hvad angår transformer‑arkitekturen, er den det grundlæggende dybe læringsdesign bag moderne AI, der bruger en selv‑opmærksomhedsmekanisme til at fange relationer mellem input. I stedet for at bevæge sig trin for trin, behandler den hele sekvenser på én gang.

Selvom disse modeller kan håndtere den strukturelle ustabilitet i kryptomarkederne, er spørgsmålet, om nogen af dem kan meningsfuldt forbedre handel i den virkelige verden.

Mange af disse modeller støder på problemer med høj dimensionalitet og skalerbarhed, hvilket begrænser deres tilpasningsevne til den unikke volatilitet i kryptomarkederne. De står også over for udfordringer omkring overfitting, hvor komplekse modeller har en tendens til at lære idiosynkratiske støj i træningssættet i stedet for et generaliserbart signal.

Kløften mellem laboratorie‑præstation og live‑markedspræstation forbliver stor. For investorer og handlende betyder det, at i stedet for at adoptere AI‑forudsigelsesværktøjer som krystalkugler, bør de bruge dem som beslutningsstøttesystemer for at reducere usikkerhed.

Ny forskning tester AI mod kryptoturbulens

Forskere fra Transitional Artificial Intelligence Research Group, School of Mathematics and Statistics, UNSW Sydney, Australien, offentliggjorde studiet “Review of deep learning models for crypto price prediction: Implementation and evaluation”², hvori de evaluerer dybe læringsmodeller for kryptoprissprediktion under volatile forhold.

De fandt maskin‑ og dyb‑læringsmodeller lovende for deres forudsigelseskapacitet og evne til at modellere multimodale, rum‑tidsdata og tidsserier.

Især undersøgte forskerne flere dybe læringsarkitekturer, herunder LSTM‑ og CNN‑varianter, Conv‑LSTM‑systemer og transformer‑modeller, og sammenlignede univariate og multivariate forudsigelsesstrategier på tværs af flere store kryptovalutaer.

Studiet fokuserede på Bitcoin (BTC ), Ethereum (ETH ), Dogecoin (DOGE ) og Litecoin (LTC ), hvis forudsigelsespræstation blev evalueret ved brug af pre‑COVID‑19‑datasæt til at forudsige den tidlige pandemiperiod samt COVID‑æra‑datasæt til at forudsige priser fra 2023 til 2024.

Med dette design testede forskerne, hvordan dybe læringssystemer reagerer på store ændringer i volatilitet og skiftende markedsforhold.

Studiet fandt, at en konvolutionel LSTM med multivariate strategier konsekvent leverede “enestående” forudsigelsespræstation på tværs af alle fire kryptovalutaer og begge eksperimentelle betingelser. Strategien, der inkorporerede lukkepriserne for stærkt korrelerede kryptovalutaer sammen med guldpriser, opnåede den højeste forudsigelsesnøjagtighed. Dette blev efterfulgt af bidirektionelle LSTM‑modeller, som leverede konkurrencedygtige resultater.

Imidlertid præsterede transformer‑modeller dårligt i forhold til begge systemer, hvilket strider mod deres dominerende ry i andre domæner. Dette kan skyldes størrelsen af de tilgængelige datasæt.

Bitcoin, grundlagt i 2009, er kun 17 år gammel, mens Litecoin har eksisteret i 15 år. Den bredt populære meme‑coin Dogecoin har en 13‑årig historie, mens Ethereum kun har været aktiv i lidt over et årti.

Historien om crypto er relativt kort, mens transformer‑modeller er egnet til store datamængder, og den opmærksomhedsmekanisme, der gør dem kraftfulde i tekst, bliver en ulempe, når den anvendes på de begrænsede finansielle tidsserier for disse store kryptogoder.

Studiet fandt desuden, at multivariate dybe læringsmodeller overgik univariate modeller, når de inkorporerede stærkt korrelerede kryptovalutaer og eksterne variable som guldpriser.

Dette antyder, at kryptovalutaer ikke bevæger sig uafhængigt, og at brug af korrelerede markedsignaler kan forbedre forudsigelsespræstationen. Forskere observerede særligt stærke korrelationer mellem prisadfærden for BTC og ETH, mens DOGE udviste mere uregelmæssige, svære at modellere volatilitetsmønstre. Men blot at tilføje flere variable til en model sikrer ikke forbedring.

Ifølge studiet kan inkorporering af generiske eksterne variable vildlede modeller. Ydeevne drager fordel af at vælge funktioner, der har en ægte og stabil relation til målvariablen. Så da teamet udvidede den multivariate model til at inkludere den mest korrelerede ledsagende kryptovaluta sammen med guld, forbedredes forudsigelsesnøjagtigheden markant.

Vigtigt er, at forskningen fremhæver, at volatilitet i væsentlig grad reducerer forudsigelsesnøjagtigheden. Modeller trænet på COVID‑19‑volatilitetssæt producerede højere forudsigelsesfejl end dem, der blev trænet på mere stabile pre‑pandemidata. Denne observation understøtter den generelle opfattelse, at selvom dybe læringssystemer kan identificere historiske strukturer og forbedre kortsigtet forudsigelsesnøjagtighed, lider deres præstation under perioder med strukturel ustabilitet og markedsstress.

COVID‑19‑regimeskiftet leverede den mest lærerige stresstest. Da modeller trænet på pre‑pandemidata blev evalueret i den tidlige COVID‑periode, og da modeller trænet på COVID‑æra‑data blev brugt til at projicere priser ind i 2023‑2024, faldt forudsigelsesnøjagtigheden mærkbart. Studiet bemærkede:

“Med hensyn til COVID‑19‑effekten fandt vi, at lukkeprisvolatiliteten for kryptovaluta er ret tydelig, hvilket medfører yderligere udfordringer for de respektive modeller. Vores eksperimentelle resultater viser, at brug af et træningsdatasæt med høj volatilitet svækker præcisionen af vores forudsigelser.”

Det rapporterede også, at for den bedst præsterende model steg root mean square error (RMSE), som måler den gennemsnitlige forskel mellem faktiske og forudsagte værdier, fra 0,02 for BTC og ETH i pre‑COVID‑eksperimentet til 0,03 i COVID‑æra‑eksperimentet.

Når det gælder den populære meme‑coin DOGE, udgjorde den endnu flere udfordringer på grund af ekstreme volatilitetstoppe i januar og maj 2021, hvor dens månedlige volatilitet oversteg 20 %, langt over de niveauer, der blev set i træningsdataene.

Desuden klarede enklere statistiske modeller som ARIMA og multilayer perceptrons (MLP’er) sig langt dårligere end dybe læringsarkitekturer på kryptoforudsigelsesopgaver.

Alligevel bør forudsigelsesnøjagtighed ikke betragtes som en garanti for handelsprofitabilitet, advarer forskerne. Selvom lavere RMSE forbedrer forudsigelsespålideligheden, afhænger resultaterne i den virkelige verden af kvaliteten af en traders udførelse, markedslikviditet, glidning, transaktionsomkostninger og pludselige eksterne chok.

Datakvalitet og skala er andre begrænsninger, der kan forklare, hvorfor transformer‑modeller har problemer. Dette understøtter yderligere idéen om, at arkitektonisk kompleksitet alene ikke sikrer bedre finansiel forudsigelsespræstation.

For at forbedre kryptoforudsigelsessystemer anbefaler papiret brug af Bayesian dyb læring til usikkerhedskvantificering, multimodale modeller, der inkorporerer data fra nyheder og sociale medier, kausal inferens for at identificere stærkere korrelerede variable, samt højere‑frekvens forudsigelser ved brug af time‑ eller intradag‑data.

Konklusion

I løbet af det sidste årti har crypto opnået betydelig adoption og ser nu en dybere integration med den traditionelle finansverden. På trods af dette forbliver det yderst volatil og modtageligt for spekulativ adfærd, makroøkonomiske forstyrrelser og uforudsigelige eksterne katalysatorer, hvilket gør præcis prisforudsigelse ekstremt vanskelig.

AI‑drevet forudsigelse har udviklet sig fra et niche‑akademisk emne til et vigtigt interesseområde for handlende, institutioner og finansielle forskere, der ønsker at navigere disse volatile markeder mere effektivt.

Alligevel, selvom maskinlæringssystemer kan forbedre forudsigelseskvaliteten, kan de ikke fjerne usikkerhed eller konsekvent garantere profitable handelsresultater. Selv avancerede modeller forbliver sårbare over for høj‑volatilitet miljøer som COVID‑19‑perioden.

I sidste ende bør AI‑crypto‑forudsigelsesmodeller betragtes som beslutningsstøtteværktøjer, der kan identificere mønstre, som menneskelige analytikere måske overser, behandle datasæt i skalaer, som enkeltpersoner ikke kan, og generere probabilistiske signaler, der kan give en meningsfuld fordel i handelsbeslutninger.

Klik her for at lære alt om investering i kunstig intelligens.

Referencer

1. Pintelas, E., Livieris, I. E., Stavroyiannis, S., Kotsilieris, T., & Pintelas, P. (2020, May 7). Undersøgelse af problemet med kryptovalutaprissprediktion: En dyb lærings tilgang. Artificial Intelligence Applications and Innovations, 584, 99–110. Springer. https://pmc.ncbi.nlm.nih.gov/articles/PMC7256561/
2. Wu, J., Alom, M. Z., & Taha, T. M. (2026). Gennemgang af dybe læringsmodeller for kryptoprissprediktion: Implementering og evaluering. Intelligent Systems with Applications, 29, 101337. Elsevier. https://www.sciencedirect.com/science/article/pii/S3050475926002101