Digitaaliset varat

Voiko tekoäly arvioida kryptovaluuttojen whitepapereita? Tutkimus selvittää asiaa

Jonathan Schramm
Lisää Securities.io suosikkilähteisiisi Google-palvelussa
Keskeiset kohdatLLM-mallit paisuttavat kryptoprojektien luokituksia, koska tiivistelmät säilyttävät…
Näytä lisää
  • LLM-mallit paisuttavat kryptoprojektien luokituksia, koska tiivistelmät säilyttävät whitepaperin mainosmaisen sävyn ja peittävät varoitusmerkit.
  • Näkökohtiin keskittyvä poiminta tuo esiin hallintoon ja token-suunnitteluun liittyviä heikkouksia, mutta voi rankaista projekteja liikaa, kun näyttö on puutteellista.
  • LLM-mallien tulisi merkitä tapaukset, jotka vaativat asiantuntijan huomiota, sen sijaan että ne tuottaisivat lopullisia sijoituspisteitä.

Vuonna 2008 julkaistusta alkuperäisestä (BTC ) Bitcoin-whitepaperista lähtien uusia kryptovaluuttoja on syntynyt valtava määrä, ja jotkin niistä, kuten Ethereum, (ETH ) ovat kasvaneet niin suosituiksi, että niistä on tullut vakavia kilpailijoita alkuperäiselle. Tämä tarkoittaa kuitenkin myös sitä, että kryptosijoitusten huolellinen taustaselvitys on käynyt yhä monimutkaisemmaksi.

Tämä ei tietenkään ole vain kryptosijoituksiin liittyvä ongelma, mutta kryptovaluuttojen luonne tekee siitä vaikeamman useimmille sijoittajille. Erityisesti aiheesta kiinnostuneilla piensijoittajilla, mutta myös monilla institutionaalisilla sijoittajilla, ei ole riittävästi matemaattista ja teknistä osaamista ymmärtääkseen täysin kryptografisia tieteitä ja algoritmeja, joihin useimmat kryptohankkeet perustuvat.

Digitaalisilta omaisuuseriltä puuttuu lisäksi yhtenäinen raportointimuoto, toisin kuin perinteisten arvopaperien standardoidut ilmoitukset (esim. esitteet ja 10-K-raportit).

Sijoittajat joutuvat siis kohtaamaan yhtä aikaa vaarallisen yhdistelmän tietotulvaa, jäsentymätöntä tiedonantoa ja rajallisia sääntelyyn perustuvia suojakeinoja.

”Ensimmäisen ICO-aallon lukuisat romahdukset ja niitä seuranneet sijoittajien tappiot osoittavat, että innovatiivisen rahoituksen alalla on vahvistettava huolellista taustaselvitystä ja sijoittajansuojaa. Tappioita kärsineet sijoittajat eivät kyenneet arvioimaan sijoitusten kannattavuutta whitepapereiden perusteella.”

Tietotulva ja tarve analysoida riskejä objektiivisesti vaikuttavat tekoälyn ihanteelliselta käyttökohteelta, sillä uusia tekoälyjärjestelmiä kehitetään nimenomaan tällaisten monimutkaisten tehtävien hoitamiseen.

Swiss Financial Market Supervisory Authority FINMAn ja Liechtensteinin yliopiston tutkijaryhmä on julkaissut uuden tutkimuksen, jossa tarkastellaan, miten suuret kielimallit voisivat arvioida uusia kryptohankkeita ja erityisesti niiden teknisiä whitepapereita.

Tutkijat julkaisivat tuloksensa lehdessä 1 Knowledge and Information Systems, ja artikkelin otsikko on ”Kielimallien käyttö digitaalisten omaisuuserien arvioinnissa: monimenetelmätutkimus”.

Kielimallien käyttö kryptovaluuttojen whitepapereiden arvioinnissa

Pohjimmiltaan ”kryptot” eivät ole pelkkiä spekulatiivisia sijoituskohteita, vaan ”digitaalisia omaisuuseriä, jotka perustuvat hajautettuun tietojen tallennukseen, hajautettuihin konsensusmekanismeihin ja älysopimuksiin sisältyviin protokolliin”.

Uusien kryptovaluuttojen todelliset riskit ja mahdolliset käyttötarkoitukset riippuvat niiden teknisistä ominaisuuksista. Siksi nykyaikaiset tekoälyjärjestelmät, kuten suuret kielimallit, voivat auttaa automatisoidussa tekstianalyysissä, tiedon poiminnassa ja hankkeiden vertailussa.

Suurten kielimallien luotettavuus on kuitenkin ongelma. Niiden käyttöä rajoittavat konteksti-ikkunoiden rajallisuus, vaikeudet käsitellä suuria dokumenttikokonaisuuksia sekä hallusinaatioiden riski.

Sijoittajien onkin arvioitava asianmukaisesti, kuinka luotettavia tällaiset työkalut todella ovat kryptohankkeiden arvioinnissa.

Arvioidakseen suurten kielimallien kykyjä tässä tehtävässä tutkijat loivat viitekehyksen. Siinä whitepaperit ensin esikäsitellään jäsentämällä ja tiivistämällä ne analyysiä varten, minkä jälkeen laaditaan täsmälliset tekoälykehotteet ja tuloksia verrataan ihmisten arvioihin. Lopuksi kehitetään toimintamalli, jonka avulla suuret kielimallit voivat arvioida kryptohankkeiden potentiaalia.

Oikeiden työkalujen kehittäminen

Oikeanlaisen aineiston kokoaminen

Tutkijat käyttivät ensisijaisena tietolähteenään Token Offerings Research Database (TORD) -tietokantaa, joka sisältää käsin kerättyjä tietoja ICO- eli ensikolikkotarjouksista, STO- eli arvopaperitoken-tarjouksista ja IEO- eli pörssissä järjestettävistä ensitarjouksista.

Aineisto sisältää hankkeiden virallisia verkkosivustoja ja whitepapereita, arkistoituja verkkoaineistoja, toissijaisia tietokantoja sekä pörssien tiedonantoja ja viranomaisilmoituksia.

Näiden tietojen pohjalta muodostettiin otos, johon kuului 29 erillistä token-hanketta, joiden whitepaperit olivat edelleen saatavilla. Näistä 27:llä oli TORD-tietokantaan koottu asiantuntija-arvio.

Päämalliksi valittiin OpenAI GPT−3.5-turbon kokoonpano, ja lisäksi käytettiin kahta kompaktia avoimen lähdekoodin mallia, Qwen2.5-0.5B:tä ja Qwen2.5-1.5B:tä. Yhteensä niillä tuotettiin 1 008 täydellistä asiantuntija–kielimalli-arviota.

Eri lähestymistapojen testaaminen

Tutkijat kokeilivat eri menetelmiä selvittääkseen, miten suuria kielimalleja voitaisiin hyödyntää mahdollisimman tehokkaasti kryptohankkeiden tutkimisessa.

  • Menetelmä 1: Osittainen whitepaperin arviointi, jossa kielimallille syötettiin mahdollisimman suuri osa whitepaperin sisällöstä. Mallin rajoitusten vuoksi syöte katkaistiin 4 000 tokeniin eli noin 3 000 sanaan.
  • Menetelmä 2: tiivistelmään perustuva arviointi, jossa token-rajoitukset huomioitiin kaksivaiheisella menetelmällä: whitepaper tiivistettiin ensin ja arvioitiin sen jälkeen.
  • Lähestymistapa 3: osa-alueisiin keskittyvä yhteenvetoarviointi, jossa yhteenvetojen laatimista kehitettiin edelleen poimimalla sijoituspäätöksenteon kannalta olennaisia tietoja – erityisesti johdon persoonallisuudesta ja kokemuksesta, tuotteen ominaisuuksista sekä markkinaolosuhteista.
    • Se tunnisti myös mahdollisia varoitusmerkkejä, kuten riittämättömän kokemuksen, taloudellisen sitoutumisen puutteen tai huonosti suunnitellun hankerakenteen.

Suurten kielimallien tuottaman loppuarvion johtopäätöksen enimmäispituudeksi määritettiin 120 sanaa. Tätä pidettiin optimaalisena virheiden välttämiseksi ja potentiaaliselle käyttäjälle helposti ymmärrettävän johtopäätöksen tarjoamiseksi.

Suurten kielimallien päättelyä ohjattiin neljällä erilaisella kehotestrategialla, jotta tulokset olisivat mahdollisimman hyviä:

  • Nollanäyte (ZS): annettiin jäsenneltyjä ohjeita ilman hankekohtaisia esimerkkejä
  • Muutaman esimerkin menetelmä (FS): nollanäytemenetelmää täydennettiin arvioinnin ulottuvuuksilla ja täsmällisillä arviointikriteereillä.
  • Ajatusketju (CoT): käytettiin vaiheittaista, tekijäkohtaista päättelyä.
  • Ajatusketju kontekstin ja arviointiperusteiden kanssa (CoT-CR): huomioitiin alakohtaisia seikkoja, kuten tokenien lukitusmekanismit ja hankkeen omaperäisyys.

Suurten kielimallien tulokset

Osa-alueisiin keskittyvää yhteenvetoarviointia lukuun ottamatta tekoälymallit antoivat kryptohankkeelle yleensä paremman arvosanan kuin ihmisten tekemissä arvioissa.

”Lähestymistavat 1 ja 2 tiivistävät usein kerronnallista sisältöä tuomatta kuitenkaan luotettavasti esiin varoitusmerkkejä tai hallintoon liittyviä viitteitä. Tämä synnyttää optimismiharhaa ja johtaa järjestelmällisesti ihmisten arvioita korkeampiin arvosanoihin.”

Ajatusketjua hyödyntävät kehotteet tuottivat kokonaisuutena matalimman arvosanan. Erityisesti ajatusketjun ja osa-alueisiin keskittyvän yhteenvetoarvioinnin yhdistelmä oli ainoa lähestymistapa, jossa arvio oli ihmisten tekemiä arvioita matalampi.

Yliarviointitaipumuksesta huolimatta havaittiin myös päinvastainen, lievä taipumus aliarvioida kaikkein vahvimpia hankkeita.

On myös syytä huomata, että tekoälymalleilla Qwen2.5-0.5B ja Qwen2.5-1.5B saatiin samankaltaisia tuloksia kuin mallilla GPT−3.5-turbo.

Suurten kielimallien vinoumien selittäminen

Suurilla kielimalleilla on useimpia kehotteisiin perustuvia strategioita käytettäessä taipumus yliarvioida kryptohankkeita, koska yleisluontoiset ja vain kevyesti jäsennellyt yhteenvedot säilyttävät usein white paper -julkaisujen mainoshenkisen sävyn.

Sen sijaan osa-alueisiin keskittyvä tiedon poiminta välttää tämän ongelman suurelta osin, mutta siihen liittyy muita rajoituksia. Se voi tuoda arviot lähemmäs ihmisten varovaista linjaa, kun siinä havaitaan hallintoon, johtoon tai tokenien suunnitteluun liittyviä heikkouksia. Toisaalta se voi myös rangaista hankkeita liikaa, jos näyttö on puutteellista tai yksittäiset kielteiset seikat hallitsevat arvioinnin perusteluja.

Tämän perusteella tutkijat katsoivat, että suuret kielimallit voivat tukea ihmisten tekemää tutkimusta mutta eivät korvata sitä kokonaan.

”Nämä mekanismit osoittavat, ettei keskeinen suunnitteluhaaste liity vain kehotteen valintaan, vaan myös luotettavan välivaiheen näytön kokoamiseen ennen arviointia. Siksi työkalua tulisi käyttää sellaisten tapausten tunnistamiseen, jotka vaativat asiantuntijan huomiota, eikä lopullisten sijoituspisteiden tuottamiseen.”

Kaiken kaikkiaan yhtä ainoaa ”parasta lähestymistapaa” ei tämän tutkimuksen perusteella ole.

Nykyisessä suunnittelumatriisissa pienin virhe saadaan yhdistämällä jäsennelty yhteenveto ajatusketjua hyödyntävään kehotteeseen (lähestymistapa 2 + CoT).

Osa-alueisiin keskittyvä lähestymistapa tuo kuitenkin esiin mahdollisia varoitusmerkkejä, ja sen keskimääräinen arvosana on lähempänä ihmisten antamien arvosanojen keskiarvoa.

Tekoälytyökalun rakentaminen kryptohankkeiden analysointiin

Tämän perusteella tutkija esitti ehdotuksensa parhaaksi menetelmäksi tekoälyn käyttöön kryptohankkeiden analysoinnissa:

  1. Näyttö tulisi jäsentää ennen mallin perustelujen tuottamista, jotta virheet voitaisiin minimoida.
  2. Kalibrointi ja tulosten tarkasteltavuus tulisi suunnitella ja arvioida erikseen. Osa-alueisiin keskittyvää tiedon poimintaa tulisi käyttää rakenteellisen tarkastettavuuden parantamiseen ja varoitusmerkkien selkeämpään esiin tuomiseen.
  3. Mallien vertailu: havaittuja virhemalleja ei tulisi ilman vertailevaa testausta lukea yhden malliperheen syyksi, sillä ne voivat johtua suurten kielimallien yleisestä toimintatavasta.

”Yhdessä nämä periaatteet laajentavat työn merkitystä suurten kielimallien soveltamisesta suunnittelusuosituksiksi, joiden avulla voidaan rakentaa tarkastettavia päätöksenteon tukityökaluja ympäristöihin, joissa taloudellisten tietojen raportointia on standardoitu vain vähän.”

Keskeiset huomiot sijoittajille

Tutkimus tarjoaa kiinnostavaa tietoa sekä tekoälyyn että kryptovaluuttoihin sijoittaville.

Kryptomarkkinoilla on selvää, etteivät LLM-mallit ole (vielä?) ratkaisu, joka voisi korvata ihmisten tekemän huolellisen taustatyön. Tekoälymallit voivat esimerkiksi mennä kryptohankkeiden white paperien ylenpalttisen innostuneen tai mainoshenkisen sävyn lankaan, mikä aiheuttaa vakavan riskin hankkeiden potentiaalin yliarvioimisesta.

Tekoälyn käyttäminen varoitusmerkkien tunnistamiseen voi kuitenkin olla erittäin hyödyllistä, kunhan kehotteiden laatimiseen käytetään oikeaa menetelmää.

Tekoälyyn sijoittaville tämä tutkimus osoittaa, etteivät LLM-mallit tällä hetkellä vielä pysty täysin korvaamaan ihmistyötä. Ne ovat kuitenkin arvokkaita työkaluja etenkin suurten teknisten tietomäärien läpikäymiseen.

Tutkimus osoittaa myös, että tekoälyn tehokas hyödyntäminen edellyttää sekä oikean kehotemenetelmän oppimista että asianmukaisen analyysimenetelmän suunnittelua. Tekoälyteknologiaan sijoittamisen näkökulmasta tämä luultavasti osoittaa, että suurin osa tekoälyn tuottamista tuottavuushyödyistä kertyy vähitellen eikä pelkästään mallien kehittymisen myötä. Sen sijaan on olennaista, että käyttäjät tutustuvat tekoälytyökaluihin paremmin ja oppivat parantamaan tulosten laatua kehittämällä analyysin suunnittelua ja kehotteita.

Sijoittaminen kryptomarkkinoille

Coinbase

COIN Hintakaavio

Kryptovaluuttojen yleistyessä yhä useammat sijoittajat saavat niihin sijoituksillaan altistusta tai kasvattavat läsnäoloaan kryptovaluuttamarkkinoilla. Sama pätee kryptohankkeiden määrän kasvuun.

Tämä hyödyttää Coinbasen kaltaisia yhtiöitä, jotka liittyvät läheisesti kryptovaluuttakaupankäyntiin, omaisuuserien hintoihin, säilytyspalveluihin ja institutionaalisten sijoittajien osallistumiseen.

Sijoittaminen Coinbasen kaltaisiin kryptopörsseihin ja teknologiaympäristöihin voi siis tarjota sijoittajille altistusta kryptomarkkinoiden kehitykselle ilman, että heidän tarvitsee valita yksittäisiä tokeneita sattumanvaraisesti.

Tämä ei kuitenkaan tarkoita, että Coinbase tarjoaisi julkisesti noteerattuun osakkeeseensa sijoittaville samanlaisia mahdollisia tuottoja (ja riskejä) kuin suora kryptosijoittaminen. Kyseessä on sen sijaan sijoitus kryptomarkkinoiden infrastruktuuriin: Coinbasen alustalla oli 246 miljardin dollarin arvosta varoja 30. kesäkuuta 2026.

Coinbasen pääsovelluksen ja kryptopörssin lisäksi yhtiöllä on nykyään useita niitä täydentäviä palveluja:

  • Coinbase One, premium-jäsenpalvelu, johon kuuluu maksuton kaupankäynti, korotetut steikkauspalkkiot sekä kumppanien tarjoamia etuja, kuten kryptoverolaskuri ja kryptovaluuttoihin liittyvää tutkimustietoa.
  • Coinbase Advanced, ammattimaisille kryptokauppiaille.
  • Coinbase Wallet, kryptovaluuttojen ja NFT:iden omasäilytykseen pörssien ulkopuolella.
  • Coinbase Earn, steikkauspalvelu, jonka avulla kryptovaluuttojen omistajat voivat lukita kryptovaluuttansa ja ansaita verkostolta korkoa. Coinbasen asiakkaat ansaitsivat palvelun kautta 230 miljoonaa dollaria vuonna 2023.
  • Coinbase Card, Visa-pankkikortti kryptovaluutoilla tehtäviin ostoksiin. USD-valuutalla maksettaessa saa 1 % takaisin Bitcoinina ja ETH-valuutalla maksettaessa 1,5 % USDC:nä. Kortti käy maksuvälineenä kaikkialla, missä Visa-pankkikortit hyväksytään.
  • USD Coin (USDC) on digitaalinen vakaavaluutta, jonka arvo vastaa Yhdysvaltain dollaria ja jonka tavoitteena on luoda ”digitaalinen dollari”.

Kehittyneempiä työkaluja, kuten tekoälyä, kehitetään jatkuvasti täydentämään nykyistä kryptoinfrastruktuuria. Coinbase on nyt entistä kypsempi ja vaikutusvaltaisempi alusta, jolla on hyvät edellytykset hyötyä kryptovaluuttojen yleistymisestä Bitcoin-ETF-rahastojen, vakaavaluuttojen ja osakkeiden tokenisoinnin kasvun myötä.

(Voit lukea lisää Coinbasen historiasta, palveluista ja sijoituspotentiaalista yhtiötä käsittelevästä erillisestä raportistamme)

Coinbasen (COIN) osakkeen viimeisimmät uutiset ja kehityskulut

Viitattu tutkimus

1. Yann Thorens ym. LLM-sovellukset digitaalisten omaisuuserien arvioinnissa: sekamenetelmätutkimus. Knowledge and Information Systems. 17. lokakuuta 2026. https://doi.org/10.1007/s10115-026-02910-2 

Jonathan on entinen biokemian tutkija, joka on työskennellyt geneettisen analyysin ja kliinisten kokeiden parissa. Hän on nyt osakeanalyytikko ja rahoituskirjoittaja, jonka keskittyminen on innovaatioihin, markkinasykleihin ja geopoliittisiin asioihin julkaisussaan 'The Eurasian Century'.