Ψηφιακά περιουσιακά στοιχεία
Μπορεί η τεχνητή νοημοσύνη να αξιολογήσει λευκές βίβλους κρυπτονομισμάτων; Μια μελέτη το εξετάζει
Προσθέστε το Securities.io στις προτιμώμενες πηγές σας στο Google
Από την αρχική λευκή βίβλο του Bitcoin (BTC ) που δημοσιεύτηκε το 2008, έχουν ανθίσει πάρα πολλά νέα κρυπτονομίσματα, με ορισμένα, όπως το Ethereum, (ETH ) να γίνονται αρκετά δημοφιλή ώστε να αποτελούν σοβαρό αντίπαλο του αρχικού. Ωστόσο, αυτό σημαίνει επίσης ότι η δέουσα επιμέλεια για τους επενδυτές σε κρυπτονομίσματα έχει γίνει ολοένα πιο σύνθετη.
Ασφαλώς, αυτό δεν είναι πρόβλημα που αφορά αποκλειστικά τις επενδύσεις σε κρυπτονομίσματα, αλλά η φύση τους δυσκολεύει την κατάσταση για τους περισσότερους επενδυτές. Οι ιδιώτες επενδυτές που ενδιαφέρονται για τον χώρο, ειδικότερα, αλλά ακόμη και πολλοί θεσμικοί επενδυτές, δεν διαθέτουν τις μαθηματικές και τεχνικές γνώσεις που απαιτούνται για να κατανοήσουν πλήρως τις κρυπτογραφικές επιστήμες και τους αλγορίθμους στους οποίους βασίζονται τα περισσότερα έργα κρυπτονομισμάτων.
Επιπλέον, τα ψηφιακά περιουσιακά στοιχεία δεν διαθέτουν ενιαίο μορφότυπο αναφοράς, σε αντίθεση με τις τυποποιημένες υποβολές στοιχείων (π.χ. ενημερωτικά δελτία και εκθέσεις 10-K) των παραδοσιακών κινητών αξιών.
Έτσι, έρχονται αντιμέτωποι ταυτόχρονα με έναν επικίνδυνο συνδυασμό υπερφόρτωσης πληροφοριών, μη δομημένων γνωστοποιήσεων και περιορισμένων ρυθμιστικών δικλίδων ασφαλείας.
«Οι πολυάριθμες καταρρεύσεις του πρώτου κύματος αρχικών προσφορών νομισμάτων (ICO) και οι επακόλουθες ζημίες για επενδυτές που δεν μπόρεσαν να αξιολογήσουν τη βιωσιμότητα των επενδύσεων με βάση τις λευκές βίβλους καταδεικνύουν την ανάγκη ενίσχυσης της δέουσας επιμέλειας και των εργαλείων προστασίας των επενδυτών στην καινοτόμο χρηματοδότηση.»
Η υπερφόρτωση πληροφοριών και η ανάγκη αντικειμενικής ανάλυσης των κινδύνων φαίνεται να αποτελούν ιδανική περίπτωση χρήσης της τεχνητής νοημοσύνης, καθώς τα νέα συστήματα τεχνητής νοημοσύνης έχουν σχεδιαστεί ειδικά για να αντιμετωπίζουν τέτοιου είδους σύνθετες εργασίες.
Μια ομάδα ερευνητών από την Ελβετική Εποπτική Αρχή Χρηματοπιστωτικών Αγορών FINMA και το Πανεπιστήμιο του Λιχτενστάιν δημοσίευσε νέα μελέτη που εξετάζει πώς θα μπορούσαν τα LLM να αξιολογούν νέα έργα κρυπτονομισμάτων, ιδίως τις τεχνικές λευκές βίβλους τους.
Τα ευρήματά τους δημοσιεύτηκαν στο Knowledge and Information Systems1, με τίτλο «Εφαρμογή LLM στην αξιολόγηση ψηφιακών περιουσιακών στοιχείων: έρευνα μικτών μεθόδων».
Χρήση LLM σε λευκές βίβλους κρυπτονομισμάτων
Στον πυρήνα τους, τα «κρυπτονομίσματα» δεν είναι απλώς επενδυτικές ευκαιρίες κερδοσκοπικού χαρακτήρα, αλλά «ψηφιακά περιουσιακά στοιχεία που βασίζονται σε πρωτόκολλα ενσωματωμένα σε αποκεντρωμένη αποθήκευση πληροφοριών, μηχανισμούς κατανεμημένης συναίνεσης και έξυπνα συμβόλαια».
Οι πραγματικοί κίνδυνοι και οι δυνητικές χρήσεις των νέων κρυπτονομισμάτων εξαρτώνται από αυτά τα τεχνικά χαρακτηριστικά. Γι’ αυτό, σύγχρονα συστήματα τεχνητής νοημοσύνης όπως τα LLM (μεγάλα γλωσσικά μοντέλα) μπορούν να συμβάλουν στην αυτοματοποιημένη ανάλυση κειμένων, την εξαγωγή γνώσης και τη συγκριτική αξιολόγηση έργων.
Ωστόσο, η αξιοπιστία των LLM αποτελεί ζήτημα. Η χρησιμότητά τους περιορίζεται από τα μικρά παράθυρα συμφραζομένων, τις δυσκολίες διαχείρισης μεγάλων σωμάτων εγγράφων και τον κίνδυνο παραισθήσεων.
Επομένως, οι επενδυτές χρειάζονται μια ουσιαστική αξιολόγηση του πόσο αξιόπιστα είναι πράγματι αυτά τα εργαλεία για την αξιολόγηση έργων κρυπτονομισμάτων.
Για να αξιολογήσουν τις δυνατότητες των LLM σε αυτή την εργασία, οι ερευνητές δημιούργησαν ένα πλαίσιο που ξεκινά με την προεπεξεργασία των δεδομένων, κατά την οποία οι λευκές βίβλοι οργανώνονται και συνοψίζονται για ανάλυση, συνεχίζει με τον σχεδιασμό ειδικών προτροπών για την τεχνητή νοημοσύνη και τη σύγκριση των αποτελεσμάτων με ανθρώπινες αξιολογήσεις και καταλήγει στην ανάπτυξη ενός πρωτοκόλλου για τη χρήση LLM στην κρίση των προοπτικών έργων κρυπτονομισμάτων.
Δημιουργία των κατάλληλων εργαλείων
Συγκέντρωση των κατάλληλων δεδομένων
Οι ερευνητές χρησιμοποίησαν ως κύρια πηγή δεδομένων τη βάση δεδομένων Token Offerings Research Database (TORD), η οποία περιλαμβάνει πληροφορίες που συλλέχθηκαν με μη αυτόματο τρόπο για αρχικές προσφορές νομισμάτων (ICO), προσφορές τίτλων υπό μορφή token (STO) και αρχικές προσφορές μέσω ανταλλακτηρίων (IEO).
Τα δεδομένα περιλαμβάνουν επίσημους ιστοτόπους έργων, λευκές βίβλους, αρχειοθετημένους διαδικτυακούς πόρους, δευτερογενείς βάσεις δεδομένων, καθώς και γνωστοποιήσεις ανταλλακτηρίων και ρυθμιστικές υποβολές.
Με βάση αυτά τα δεδομένα δημιουργήθηκε ένα δείγμα 29 μοναδικών έργων token, για τα οποία εξακολουθούσαν να είναι διαθέσιμες λευκές βίβλοι· 27 από αυτά διαθέτουν συγκεντρωτική αξιολόγηση από ειδικούς στην TORD.
Επιλέχθηκε η βασική διαμόρφωση OpenAI GPT−3.5-turbo, μαζί με δύο μικρά μοντέλα ανοικτού κώδικα, τα Qwen2.5-0.5B και Qwen2.5-1.5B. Συνολικά, παρήγαγαν 1,008 πλήρεις αξιολογήσεις από ειδικούς και LLM.
Δοκιμή διαφορετικών προσεγγίσεων
Οι ερευνητές χρησιμοποίησαν διαφορετικές μεθόδους για να διαπιστώσουν πώς θα μπορούσαν να αξιοποιηθούν με τον καλύτερο τρόπο τα LLM στη μελέτη έργων κρυπτονομισμάτων.
- Προσέγγιση 1: αξιολόγηση μέρους του εγγράφου, με την εισαγωγή στο LLM όσο το δυνατόν μεγαλύτερου μέρους του περιεχομένου της λευκής βίβλου, το οποίο περικόπτεται στις 4.000 μονάδες token (περίπου 3.000 λέξεις), ώστε να ληφθούν υπόψη οι περιορισμοί του μοντέλου.
- Προσέγγιση 2: αξιολόγηση βάσει περίληψης, η οποία αντιμετωπίζει τους περιορισμούς ως προς τον αριθμό των token με μια διαδικασία δύο σταδίων: πρώτα συνοψίζεται η λευκή βίβλος και στη συνέχεια αξιολογείται.
- Προσέγγιση 3: αξιολόγηση σύνοψης εστιασμένης σε επιμέρους πτυχές, η οποία βελτιώνει περαιτέρω τη διαδικασία σύνοψης, εξάγοντας στοχευμένες πληροφορίες σχετικές με τις επενδυτικές αποφάσεις — συγκεκριμένα, στοιχεία για την προσωπικότητα και την εμπειρία της διοίκησης, τα χαρακτηριστικά του προϊόντος και τις συνθήκες της αγοράς.
- Εντόπισε επίσης πιθανά προειδοποιητικά σημάδια, όπως ανεπαρκή εμπειρία, έλλειψη οικονομικής συμμετοχής ή κακώς σχεδιασμένες δομές έργων.
Το όριο των 120 λέξεων για το συμπέρασμα της τελικής αξιολόγησης που παρήγαγαν τα LLM κρίθηκε ιδανικό, ώστε να αποφεύγονται τα λάθη και να δίνεται στον δυνητικό χρήστη ένα εύκολα κατανοητό συμπέρασμα.
Χρησιμοποιήθηκαν τέσσερις διαφορετικές στρατηγικές διατύπωσης προτροπών, ώστε να κατευθυνθεί ο συλλογισμός του LLM και να προκύψουν τα καλύτερα δυνατά αποτελέσματα:
- Μηδενικής εκμάθησης (ZS): παροχή δομημένων οδηγιών χωρίς παραδείγματα σε επίπεδο έργου
- Ελάχιστων παραδειγμάτων (FS): ενισχυμένη εκδοχή της ZS, με ρητές διαστάσεις αξιολόγησης και συγκεκριμένα κριτήρια εκτίμησης.
- Αλυσίδα σκέψης (CoT): χρήση συλλογιστικής ανά βήμα και ανά παράγοντα.
- Αλυσίδα σκέψης με πλαίσιο και κριτήρια αξιολόγησης (CoT-CR): ενσωμάτωση ειδικών για τον κλάδο παραμέτρων, όπως οι μηχανισμοί κλειδώματος token και η πρωτοτυπία του έργου.
Αποτελέσματα των LLM
Με εξαίρεση την αξιολόγηση σύνοψης που εστιάζει σε επιμέρους πτυχές, τα μοντέλα τεχνητής νοημοσύνης βαθμολόγησαν γενικά το κρυπτογραφικό έργο υψηλότερα από ό,τι οι ανθρώπινοι αξιολογητές.
«Οι Προσεγγίσεις 1 και 2 συχνά συμπυκνώνουν το αφηγηματικό περιεχόμενο χωρίς να αναδεικνύουν αξιόπιστα τα προειδοποιητικά σημάδια ή τις ενδείξεις σχετικά με τη διακυβέρνηση, γεγονός που προκαλεί μεροληψία υπέρ της αισιοδοξίας και συστηματική υπερεκτίμηση σε σύγκριση με τις ανθρώπινες αξιολογήσεις»
Οι προτροπές CoT παρήγαγαν συνολικά τη χαμηλότερη βαθμολογία. Ειδικότερα, ο συνδυασμός CoT με αξιολόγηση σύνοψης εστιασμένης σε επιμέρους πτυχές ήταν η μόνη προσέγγιση που οδήγησε σε χαμηλότερη αξιολόγηση από εκείνη των ανθρώπων.
Παρά αυτή την τάση υπερεκτίμησης, παρατηρήθηκε επίσης μια αντίθετη, ήπια τάση υποτίμησης των ισχυρότερων έργων.
Αξίζει επίσης να σημειωθεί ότι τα μοντέλα τεχνητής νοημοσύνης Qwen2.5-0.5B και Qwen2.5-1.5B έδωσαν αποτελέσματα παρόμοια με εκείνα του GPT−3.5-turbo.
Ερμηνεία της μεροληψίας των LLM
Ο λόγος για τον οποίο τα LLM τείνουν να υπερεκτιμούν τα κρυπτογραφικά έργα με τις περισσότερες στρατηγικές διατύπωσης προτροπών είναι ότι οι γενικές και ελαφρώς δομημένες συνόψεις διατηρούν συχνά τον προωθητικό τόνο των λευκών βιβλίων.
Αντίθετα, η εξαγωγή πληροφοριών εστιασμένη σε επιμέρους πτυχές αποφεύγει σε μεγάλο βαθμό αυτό το πρόβλημα, έχει όμως άλλους περιορισμούς. Μπορεί να οδηγήσει τις βαθμολογίες πιο κοντά στην επιφυλακτικότητα των ανθρώπων όταν εντοπίζει αδυναμίες στη διακυβέρνηση, τη διοίκηση ή τον σχεδιασμό των token, αλλά μπορεί επίσης να τιμωρήσει υπερβολικά έργα όταν τα διαθέσιμα στοιχεία είναι ελλιπή ή όταν μεμονωμένες αρνητικές ενδείξεις κυριαρχούν στη συλλογιστική που στηρίζει την αξιολόγηση.
Αυτό οδήγησε τους ερευνητές στο συμπέρασμα ότι τα LLM μπορούν να υποστηρίξουν την ανθρώπινη έρευνα, αλλά όχι να την αντικαταστήσουν πλήρως.
«Οι μηχανισμοί αυτοί δείχνουν ότι η βασική σχεδιαστική πρόκληση δεν αφορά μόνο την επιλογή προτροπής, αλλά και τη συγκρότηση αξιόπιστων ενδιάμεσων τεκμηρίων πριν από τη βαθμολόγηση. Συνεπώς, το εργαλείο θα πρέπει να χρησιμοποιείται για να επισημαίνει περιπτώσεις που απαιτούν την προσοχή ειδικών, αντί να παράγει τελικές επενδυτικές βαθμολογίες.»
Συνολικά, δεν υπάρχει μία και μοναδική «βέλτιστη προσέγγιση» που να μπορεί να υιοθετηθεί, τουλάχιστον σύμφωνα με τη συγκεκριμένη μελέτη.
Στον τρέχοντα πίνακα σχεδιασμού, το μικρότερο σφάλμα προκύπτει από τον συνδυασμό της Δομημένης Σύνοψης με την προτροπή Αλυσίδας Σκέψης (Προσέγγιση 2+ CoT).
Ωστόσο, η προσέγγιση που εστιάζει σε επιμέρους πτυχές αναδεικνύει πιθανά προειδοποιητικά σημάδια, ενώ η μέση βαθμολογία της βρίσκεται πιο κοντά στον ανθρώπινο μέσο όρο.
Δημιουργία εργαλείου τεχνητής νοημοσύνης για την ανάλυση κρυπτογραφικών έργων
Αυτό οδήγησε τον ερευνητή να διατυπώσει προτάσεις για τη βέλτιστη μέθοδο χρήσης της τεχνητής νοημοσύνης στην ανάλυση κρυπτογραφικών έργων:
- Η οργάνωση των τεκμηρίων θα πρέπει να προηγείται της παραγωγής συλλογιστικής από το μοντέλο, ώστε να περιορίζονται όσο το δυνατόν περισσότερο τα σφάλματα.
- Η βαθμονόμηση και η δυνατότητα ελέγχου των αποτελεσμάτων θα πρέπει να σχεδιάζονται και να αξιολογούνται χωριστά. Η εξαγωγή πληροφοριών εστιασμένη σε επιμέρους πτυχές θα πρέπει να χρησιμοποιείται για τη βελτίωση της δομικής ελεγξιμότητας και της ορατότητας των προειδοποιητικών σημείων.
- Διασταύρωση μοντέλων: τα παρατηρούμενα μοτίβα σφάλματος δεν θα πρέπει να αποδίδονται σε μία οικογένεια μοντέλων χωρίς συγκριτικές δοκιμές, καθώς μπορεί να οφείλονται στον τρόπο λειτουργίας των LLM γενικά.
«Συνολικά, αυτές οι αρχές διευρύνουν τη συνεισφορά της μελέτης: από μια εφαρμογή των LLM σε ένα σύνολο συστάσεων σχεδιασμού για τη διαμόρφωση ελέγξιμων εργαλείων υποστήριξης αποφάσεων σε περιβάλλοντα χρηματοοικονομικών γνωστοποιήσεων με χαμηλό βαθμό τυποποίησης.»
Τι σημαίνουν τα ευρήματα για τους επενδυτές
Η μελέτη παρέχει ενδιαφέρουσες πληροφορίες για επενδυτές τόσο στον τομέα της τεχνητής νοημοσύνης όσο και στον χώρο των κρυπτονομισμάτων.
Στον χώρο των κρυπτονομισμάτων, είναι σαφές ότι τα LLM δεν αποτελούν (ακόμη;) λύση που μπορεί να υποκαταστήσει τη δέουσα επιμέλεια από ανθρώπους. Για παράδειγμα, τα μοντέλα τεχνητής νοημοσύνης μπορεί να παρασυρθούν από τον υπερβολικό ενθουσιασμό ή τον προωθητικό τόνο στις λευκές βίβλους των κρυπτονομισμάτων, με αποτέλεσμα να υπάρχει σοβαρός κίνδυνος υπερεκτίμησης των δυνατοτήτων αυτών των έργων.
Ωστόσο, η χρήση της τεχνητής νοημοσύνης για τον εντοπισμό προειδοποιητικών ενδείξεων μπορεί να αποδειχθεί πολύ χρήσιμη, εφόσον χρησιμοποιείται η κατάλληλη μεθοδολογία διατύπωσης προτροπών.
Για τους επενδυτές στην τεχνητή νοημοσύνη, η μελέτη δείχνει ότι, προς το παρόν, τα LLM δεν είναι ακόμη σε θέση να αντικαταστήσουν πλήρως την ανθρώπινη εργασία. Ωστόσο, αποτελούν πολύτιμο εργαλείο, ιδίως για την ταξινόμηση μεγάλου όγκου τεχνικών δεδομένων.
Δείχνει επίσης ότι η εκμάθηση της κατάλληλης μεθόδου διατύπωσης προτροπών, καθώς και ο σχεδιασμός της σωστής αναλυτικής μεθοδολογίας, είναι καθοριστικής σημασίας για τη βέλτιστη αξιοποίηση της τεχνητής νοημοσύνης. Από την οπτική της επένδυσης στην τεχνολογία της τεχνητής νοημοσύνης, αυτό πιθανότατα δείχνει ότι τα περισσότερα οφέλη παραγωγικότητας από την τεχνητή νοημοσύνη θα προκύψουν σταδιακά και όχι μόνο χάρη στη βελτίωση των μοντέλων. Αντίθετα, είναι απαραίτητο οι χρήστες να εξοικειωθούν περισσότερο με τα εργαλεία τεχνητής νοημοσύνης και να μάθουν να βελτιστοποιούν την ποιότητα των αποτελεσμάτων μέσω καλύτερου σχεδιασμού της ανάλυσης και των προτροπών.
Επενδύσεις στις αγορές κρυπτονομισμάτων
Coinbase
COIN Διάγραμμα τιμής
Καθώς τα κρυπτονομίσματα γίνονται όλο και πιο διαδεδομένα, όλο και περισσότεροι επενδυτές αποκτούν έκθεση σε αυτά ή ενισχύουν την παρουσία τους στις αγορές κρυπτονομισμάτων. Το ίδιο ισχύει καθώς πολλαπλασιάζονται τα έργα κρυπτονομισμάτων.
Αυτό ωφελεί εταιρείες όπως η Coinbase, οι οποίες συνδέονται στενά με τις συναλλαγές κρυπτονομισμάτων, τις τιμές των περιουσιακών στοιχείων, τη φύλαξή τους και τη συμμετοχή θεσμικών επενδυτών.
Επομένως, η επένδυση σε ανταλλακτήρια κρυπτονομισμάτων και τεχνολογικές πλατφόρμες όπως η Coinbase μπορεί να προσφέρει στους επενδυτές έκθεση στις συνθήκες της αγοράς κρυπτονομισμάτων, χωρίς να χρειάζεται να επιλέξουν αυθαίρετα συγκεκριμένα κρυπτονομίσματα.
Ωστόσο, αυτό δεν σημαίνει ότι η Coinbase θα προσφέρει στους επενδυτές της εισηγμένης μετοχής της τις ίδιες δυνητικές αποδόσεις (και τους ίδιους κινδύνους) με την άμεση επένδυση σε κρυπτονομίσματα. Αντίθετα, πρόκειται για επένδυση στις υποδομές της αγοράς κρυπτονομισμάτων, με την Coinbase να αναφέρει ότι στις 30 Ιουνίου 2026 είχε περιουσιακά στοιχεία ύψους 246 δισεκατομμυρίων δολαρίων στην πλατφόρμα της.
Σήμερα, εκτός από την κύρια εφαρμογή της Coinbase και το ανταλλακτήριο κρυπτονομισμάτων της, η εταιρεία προσφέρει μια σειρά συμπληρωματικών υπηρεσιών:
- Coinbase One, μια συνδρομητική υπηρεσία υψηλής κατηγορίας που προσφέρει μηδενικές προμήθειες συναλλαγών, αυξημένες ανταμοιβές από το staking και προσφορές από συνεργάτες, όπως εργαλείο υπολογισμού φόρων για κρυπτονομίσματα, έρευνα για κρυπτονομίσματα κ.ά.
- Coinbase Advanced, για επαγγελματίες επενδυτές κρυπτονομισμάτων.
- Coinbase Wallet, για την αυτοδιαχείριση κρυπτονομισμάτων εκτός ανταλλακτηρίων, καθώς και NFT.
- Coinbase Earn, μια υπηρεσία staking όπου οι κάτοχοι κρυπτονομισμάτων μπορούν να δεσμεύουν τα κρυπτονομίσματά τους για να κερδίζουν τόκους από το δίκτυο. Το 2023, οι πελάτες της Coinbase κέρδισαν 230 εκατομμύρια δολάρια.
- Coinbase Card, μια χρεωστική κάρτα Visa για αγορές με κρυπτονομίσματα, η οποία προσφέρει επιστροφή 1% σε Bitcoin όταν η πληρωμή γίνεται σε USD και 1,5% σε USDC όταν η πληρωμή γίνεται σε ETH. Η κάρτα γίνεται δεκτή παντού όπου γίνονται δεκτές χρεωστικές κάρτες Visa.
- USD Coin (USDC), ένα ψηφιακό σταθερό κρυπτονόμισμα με αξία ίση με εκείνη του δολαρίου ΗΠΑ, στοχεύει στη δημιουργία ενός «ψηφιακού δολαρίου».
Καθώς αναπτύσσονται ολοένα και πιο προηγμένα εργαλεία, μεταξύ των οποίων και εργαλεία τεχνητής νοημοσύνης, θα συμπληρώνουν τις υφιστάμενες υποδομές κρυπτονομισμάτων. Ως πλέον ώριμη και κυρίαρχη πλατφόρμα, η Coinbase βρίσκεται σε πλεονεκτική θέση ώστε να επωφεληθεί από την αυξανόμενη διάδοση των κρυπτονομισμάτων, μέσα από τις εντεινόμενες τάσεις των ETF Bitcoin, των σταθερών κρυπτονομισμάτων και της μετατροπής μετοχών σε ψηφιακά διακριτικά.
(Μπορείτε να διαβάσετε περισσότερα για την ιστορία της Coinbase, τις υπηρεσίες της και τις επενδυτικές προοπτικές της στην ειδική μας έκθεση για την εταιρεία)
Τελευταία νέα και εξελίξεις για τη μετοχή της Coinbase (COIN)
Μελέτη που παρατίθεται
1. Yann Thorens κ.ά. Εφαρμογή των LLM στην αξιολόγηση ψηφιακών περιουσιακών στοιχείων: έρευνα με μικτές μεθόδους. Knowledge and Information Systems. 17 Οκτωβρίου 2026. https://doi.org/10.1007/s10115-026-02910-2
