Sværmintelligens giver et klarere billede af kryptomarkederne

Kan forklarlig AI forbedre prognoser for kryptomarkeder?

Et system til prognoser for kryptovalutaer kan give mindre fejl uden pålideligt at forudsige, om priserne vil stige eller falde. Det er let at overse denne forskel, men den skiller et lovende forskningsværktøj fra en dokumenteret handelsstrategi.

En ny undersøgelse, der er blevet godkendt til publicering i Applied Soft Computing, udforsker denne forskel med et system, der kombinerer sværmintelligens med fortolkelige statistiske regler.¹ I stedet for at behandle kryptovalutamarkeder som én sammenhængende strøm af priser lærer forskerne modellen at genkende forskellige markedstilstande og anslå, hvordan disse tilstande går over i hinanden.

Resultaterne peger på en nyttig retning for finansiel AI: prognoser, som mennesker kan undersøge og stille spørgsmål ved. De viser også, hvorfor gennemsigtighed, statistisk nøjagtighed og investeringsafkast skal vurderes hver for sig.

Sådan lærer sværmintelligens at genkende kryptomarkedernes tilstande

Systemet kombinerer partikel-sværmoptimering, forkortet PSO, med Markov-prognoser. Trods den tekniske terminologi er den grundlæggende logik til at forstå.

Først grupperer modellen daglige afkast i tilstande, der repræsenterer forskellige markedsudfald. De kan for eksempel skelne mellem mindre tab, relativt neutrale bevægelser og gevinster. Det er vigtigt, hvor grænserne trækkes: En uhensigtsmæssig klassifikation kan skjule nyttige mønstre eller skabe misvisende mønstre.

PSO søger efter bedre grænser. Flere mulige løsninger bevæger sig gennem et matematisk søgerum og justerer deres positioner ud fra information om deres egne tidligere resultater og andre løsningers resultater. Processen minder om en gruppe, der deler spor, mens den leder efter et lovende sted.

En Markov-model anslår derefter overgangssandsynlighederne mellem tilstandene. Den undersøger, hvad der typisk skete efter lignende forhold i den seneste tid, i stedet for at forsøge at forklare hver enkelt prisbevægelse.

Forskerne lader også disse sammenhænge afhænge af markedsregimer, herunder forskellige forhold med hensyn til volatilitet og retning. En overgang, der observeres på et roligt marked, behøver ikke at have samme betydning under turbulente forhold.

Den centrale nyskabelse er derfor den måde, systemet lærer markedets eget sprog på. Definitionerne af tilstandene bliver en del af prognoseopgaven i stedet for faste kategorier, der fastlægges, før prognoserne udarbejdes.

Hvad undersøgelsen af kryptoprognoser faktisk viste

Hovedanalysen omfatter Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ) og XRP fra 1. januar 2018 til 22. april 2026. En særskilt rullende sammenligning vurderer Bitcoin, Ethereum og BNB i forhold til en tilfældig gang, den klassiske statistiske model ARIMA og maskinlæringsmodellen XGBoost.

Det er supplerende analyser med forskellig dækning af aktiver. Den rullende sammenligning omfatter i alt 270 prognoser uden for træningsdataene, så det lange historiske datasæt må ikke forveksles med tusindvis af uafhængigt vurderede prognoser.

RMSE, eller kvadratroden af den gennemsnitlige kvadrerede fejl, vægter større prognosefejl hårdere. MAE, eller den gennemsnitlige absolutte fejl, måler den gennemsnitlige fejlstørrelse uden denne ekstra vægtning. Begge mål vedrører prognoser for afkast, ikke handelsoverskud.

Det foreslåede system har den laveste RMSE, men dets fordel i forhold til ARIMA er lille. ARIMA har en lidt bedre MAE, og formelle statistiske test påviser ikke nogen forskel mellem de to modellers prognosetab.

Retningsprognoserne er mindre præcise. Det foreslåede system forudsiger retningen korrekt i 48,89 % af tilfældene, hvilket ikke er statistisk forskelligt fra et sammenligningsgrundlag på 50 %. Ingen af de afprøvede modeller opnår en statistisk signifikant retningsnøjagtighed over dette sammenligningsgrundlag.

Kalibreringen af sandsynligheder er endnu en begrænsning. Hvis en velkalibreret model tildeler et udfald en sandsynlighed på 70 %, bør udfaldet indtræffe i cirka 70 % af tilfældene på tværs af sammenlignelige prognoser. ARIMA og XGBoost klarer sig bedre på de rapporterede samlede kalibreringsmål.

Hvorfor mindre prognosefejl ikke garanterer handelsoverskud

En model kan ligge forholdsvis tæt på de faktiske afkast og alligevel gentagne gange forudsige den forkerte retning. Når mange daglige bevægelser er små, kan prognoser omkring nul begrænse fejlene uden at udpege attraktive handler.

Rentabilitet stiller yderligere krav. Gevinster afhænger af størrelsen på de vindende og tabende positioner, eksekveringspriser, gebyrer, spænd og hvor ofte strategien handler. En høj træfsikkerhed for retningen kan stadig føre til tab, mens en lavere træfsikkerhed undertiden kan være rentabel, hvis gevinsterne overstiger tabene.

Artiklen rapporterer ikke om en handelssimulering, der tager højde for transaktionsomkostninger. Resultaterne taler for yderligere undersøgelser af prognoser og overvågning, men dokumenterer ikke en investeringsfordel, der kan udnyttes i praksis.

Denne skelnen supplerer Securities.ios nylige dækning af skjulte risici ved handel med kryptofutures. Det er beslægtede, men adskilte opgaver at estimere et afkast og forstå, om en position kan handles sikkert.

Forklarlighed skaber en anden form for værdi

Den foreslåede model synliggør overgangsreglerne og de historiske observationer, der underbygger dem. Det kan hjælpe en analytiker med at afgøre, om et tilsyneladende mønster bygger på omfattende belæg eller blot på en lille samling usædvanlige episoder.

Et research-dashboard kunne for eksempel markere en overgangsregel med begrænset belæg til manuel gennemgang. Det er en mulig anvendelse, ikke et resultat, som undersøgelsen har påvist.

Gennemsigtighed gør det også lettere at undersøge fejl. Analytikere kan se nærmere på, om tilstandsgrænserne blev uhensigtsmæssige, om et markedsregime ændrede sig, eller om en overgang, der tidligere var almindelig, holdt op med at forekomme. Denne diagnostiske værdi bør vurderes på linje med prognosernes præcision.

Markedsforholdene ændrer kryptomarkedets hukommelse

I hovedanalysen af fire aktiver vælger alle aktiver afhængighed af første orden. I praksis betyder det, at den seneste tilstand udgør den valgte kontekst for overgangen. Længere sekvenser giver ikke automatisk mere nyttige prognoser.

Det betyder ikke, at ældre information aldrig er relevant. Historiske observationer er stadig nødvendige for at estimere sammenhænge. Pointen er, at det kan sprede det tilgængelige belæg over flere kategorier, hvis man føjer flere på hinanden følgende tilstande til en prognoseregel.

Når der er flere mulige sekvenser, kan der være færre eksempler på hver enkelt. Regimeskift gør problemet større, fordi sammenhænge, der er lært under ét sæt forhold, kan svækkes under et andet.

Konsekvensen rækker ud over kryptovaluta: Kompleksitet skal retfærdiggøres gennem afprøvning. En længere hukommelse eller en mere avanceret arkitektur er kun nyttig, hvis den ekstra information opvejer den øgede usikkerhed.

Datakvaliteten er også vigtig. Securities.ios dækning af wash trading og markedsvolatilitet viser, hvorfor tilsyneladende handelsaktivitet skal granskes. Hvis fremtidige modeller får tilføjet indikatorer for handelsvolumen eller likviditet, vil det tilføre ny information, men også medføre nye krav til datavalidering.

Hvad investorer bør kræve af finansiel AI

Næste skridt er grundigere validering på tværs af flere aktiver, markedsforhold og konkurrerende metoder. Forfatterne peger på bredere sammenligningsgrundlag, bedre kalibrering, gentagne optimeringskørsler og økonomisk evaluering som områder, der kræver yderligere arbejde.

Investorer, der vurderer lignende værktøjer, kan fokusere på tre spørgsmål:

• Holder resultaterne på data, som ikke er set før, sammenlignet med troværdige og enklere alternativer?
• Stemmer de rapporterede sandsynligheder overens med de observerede resultater?
• Holder en eventuel handelsfordel, når realistiske handelsomkostninger medregnes?

Når spørgsmålene holdes adskilt, undgår man, at et stærkt resultat på ét mål bliver til en udokumenteret påstand om et andet. Det giver også udviklerne tydeligere mål for forbedringer.

Coinbase forbinder kryptoanalyse med markedsinfrastruktur

For investorer, der interesserer sig for infrastrukturen bag mere avancerede kryptomarkeder, er Coinbase en relevant børsnoteret virksomhed at undersøge. Virksomhedens institutionelle platform samler handelsudførelse, opbevaring, finansiering og andre tjenester gennem Coinbase Prime.

Sammenhængen rækker videre end netop denne prognosemetode. Institutioner har brug for pålidelige data, operationelle kontroller og handelsinfrastruktur for at omsætte forskning til brugbare arbejdsgange. Forklarlige modeller kan supplere disse systemer, hvis senere afprøvning viser, at de har praktisk værdi.

Coinbase udgiver også markedsanalyser. Dens 7. oktober Charting Crypto outlook overvejer onchain-betingelser, værdiansættelse og likviditet, og illustrerer det bredere informationssæt, der er tilgængeligt ud over historiske afkastovergange.

Undersøgelsen fastslår ikke, at Coinbase bruger den pågældende arkitektur, eller at virksomheden ville opnå en økonomisk fordel ved at indføre den. Coinbase-aktien indebærer også forretningsmæssige, konkurrencemæssige og regulatoriske risici samt risici knyttet til kryptomarkedet. Det relevante investeringsspørgsmål er, om virksomhedens infrastruktur kan understøtte en vedvarende kundeeefterspørgsel, ikke om én prognosemodel lykkes.

Seneste nyt og udvikling om Coinbase (COIN)

En fremtid for kryptoprognoser, der er lettere at afprøve

Undersøgelsens bidrag er en prognoseproces, der kan granskes, og som opnår konkurrencedygtige resultater målt på afkastfejl. Dens begrænsninger er lige så oplysende: Retningsprognoserne ligger stadig tæt på tilfældighedsniveau, kalibreringen skal forbedres, og rentabiliteten er endnu ikke afprøvet.

Fremskridt kan skabes ved at gøre finansiel AI lettere at udfordre. Når brugerne kan undersøge reglerne, forstå det underliggende evidensgrundlag og skelne mellem statistisk ydeevne og økonomisk værdi, får de et bedre grundlag for at afgøre, hvor en model hører hjemme i investeringsprocessen.

Referencer:

¹ do Nascimento, K. K. F., og dos Santos, F. S. (2026). Et PSO-optimeret intelligent Markov-prognosesystem til regimeafhængig dynamik på kryptovalutamarkederne. Applied Soft Computing. Forhåndspubliceret online. https://doi.org/10.1016/j.asoc.2026.116666