デジタル資産

AIは暗号資産のホワイトペーパーを評価できるのか?研究で検証

Jonathan Schramm
Securities.io を Google の優先ソースに追加
要点LLMは、要約がホワイトペーパーの宣伝的な口調を保持し、危険信号を隠してしまうため、暗号資産プロジェクトの評価を過大にしている。
もっと見る
  • LLMは、要約がホワイトペーパーの宣伝的な口調を保持し、危険信号を隠してしまうため、暗号資産プロジェクトの評価を過大にしている。
  • アスペクト焦点型の抽出はガバナンスやトークン設計の弱点を浮き彫りにするが、証拠が不完全な場合にはプロジェクトを過度に減点する可能性がある。
  • LLMは最終的な投資スコアを算出するのではなく、専門家の注意を要するケースにフラグを立てるべきである。

2008年に発表されたビットコインの最初の (BTC ) ホワイトペーパー以来、数多くの新たな暗号資産が登場し、Ethereumのように (ETH ) 人気を集め、元祖にとって深刻な競争相手となったものもあります。しかしその一方で、暗号資産への投資における投資家のデューデリジェンスは、ますます複雑になっています。

もちろん、これは暗号資産への投資に限った問題ではありません。しかし、暗号資産の性質上、多くの投資家にとって問題はより困難なものになっています。関心を寄せる個人投資家はとりわけそうですが、多くの機関投資家でさえ、ほとんどの暗号資産プロジェクトの基盤となる暗号技術やアルゴリズムを十分に理解するための数学的・技術的知識を持ち合わせていません。

さらに、デジタル資産には、従来型証券の標準化された届出書類(目論見書や10-K報告書など)と比べて、統一された報告形式がありません。

そのため、情報過多、形式の統一されていない開示、規制上の保護の不足という危険な要素が、一度に重なっています。

「ICO(新規仮想通貨公開)の初期の波で相次いだ破綻と、ホワイトペーパーを基に投資の実現可能性を評価できなかった投資家の損失は、革新的な金融分野において、デューデリジェンスと投資家保護の手段を強化する必要性を示しています。」

情報過多に対処し、リスクを客観的に分析する必要がある状況は、AIの活用にまさに適しています。新しいAIシステムは、この種の複雑なタスクに対応するよう特別に設計されているからです。

スイス金融市場監督機構FINMAとリヒテンシュタイン大学の研究者グループが、LLMで新たな暗号資産プロジェクト、とりわけ技術的なホワイトペーパーをどのように評価できるかを検証した新たな研究を発表しました。

研究成果はKnowledge and Information Systems1誌に掲載され、「デジタル資産評価におけるLLMの活用:混合研究法」と題されています。

暗号資産のホワイトペーパーにLLMを活用する

本質的に、「暗号資産」は単なる投機的な投資対象ではなく、「分散型の情報ストレージ、分散型コンセンサスメカニズム、スマートコントラクトに組み込まれたプロトコルを基盤とするデジタル資産」です。

新たな暗号資産がもたらす実際のリスクや潜在的なユースケースは、こうした技術的特性によって左右されます。そのため、LLM(大規模言語モデル)のような最新のAIは、テキストの自動分析、知識の抽出、プロジェクト間の比較評価に役立ちます。

ただし、LLMの信頼性には課題があります。コンテキストウィンドウの制限、大量の文書を扱う難しさ、ハルシネーションのリスクによって、その有用性は限られます。

そのため投資家には、暗号資産プロジェクトの評価において、こうしたツールが実際にどの程度信頼できるのかを適切に検証する必要があります。

このタスクにおけるLLMの能力を評価するため、研究者らは一連の枠組みを構築しました。まずホワイトペーパーのデータを前処理し、分析に適した構成に整理して要約します。次に、目的に応じたAIプロンプトを設計し、その結果を人間による評価と比較したうえで、最終的にLLMを用いて暗号資産プロジェクトの潜在力を判断するためのプロトコルを開発します。

適切なツールを構築する

適切なデータを収集する

研究者らは、Token Offerings Research Database(TORD)を主要なデータソースとして利用しました。同データベースには、ICO(新規仮想通貨公開)、STO(セキュリティトークン・オファリング)、IEO(イニシャル・エクスチェンジ・オファリング)に関する情報が手作業で収集されています。

これには、公式プロジェクトサイト、ホワイトペーパー、保存されたウェブ資料、二次データベース、取引所による開示資料、規制当局への届出書類が含まれます。

これらのデータを用いて、ホワイトペーパーが入手可能なトークンプロジェクト29件からなるサンプルを作成しました。そのうち27件には、TORDに専門家による総合評価が登録されています。

主なモデルとしてOpenAI GPT−3.5-turboの構成を選び、さらに小型のオープンソースモデルであるQwen2.5-0.5BとQwen2.5-1.5Bも使用しました。合計で、専門家とLLMによる評価を1,008件作成しました。

さまざまな手法を検証する

研究者らは、暗号資産プロジェクトの調査にLLMを最適な形で活用する方法を探るため、複数の手法を用いました。

  • アプローチ1:文書の一部に基づく評価。モデルの制約に対応するため、ホワイトペーパーの内容をできるだけ多くLLMに入力し、4,000トークン(約3,000語)で切り詰めます。
  • アプローチ2:要約に基づく評価。トークン数の制約に対処するため、まずホワイトペーパーを要約し、その後に評価する2段階の手順を採用します。
  • 手法3: 評価項目に焦点を当てた要約による評価では、投資判断に関連する情報、具体的には経営陣の人柄や経験、製品の特性、市場環境を抽出することで、要約をさらに精緻化した。
    • また、経験不足、資金面での関与の欠如、プロジェクト構造の不備といった潜在的な危険信号も検出した。

LLMが生成する最終評価の結論は、誤りを避け、利用者が理解しやすいものにするため、120語以内とするのが最適だと判断された。

LLMの推論を導き、可能な限り優れた結果を得るため、4種類のプロンプト戦略が用いられた。

  • ゼロショット(ZS):プロジェクトごとの実例を示さず、構造化された指示を与える
  • フューショット(FS):評価項目と具体的な評価基準を明示し、ZSを強化する。
  • 思考連鎖(CoT):要素ごとに段階を追って根拠を示す。
  • 文脈と評価基準を組み合わせた思考連鎖(CoT-CR):トークンのロック機構やプロジェクトの独自性など、分野固有の観点を取り入れる。

LLMの評価結果

評価項目に焦点を当てた要約による評価を除き、AIモデルは概して、暗号資産プロジェクトを人間による評価より高く評価した。

「手法1と2では、物語的な内容がしばしば要約される一方、危険信号やガバナンスに関する兆候が確実に表面化するとは限らない。その結果、楽観バイアスが生じ、人間による評価と比べて体系的な過大評価につながる」

全体として最も低い評価を出したのはCoTプロンプトであり、なかでもCoTと評価項目に焦点を当てた要約を組み合わせた手法だけが、人間による評価を下回った。

このように過大評価する傾向が見られた一方で、最も優れたプロジェクトをやや過小評価する傾向も確認された。

また、AIモデルのQwen2.5-0.5BとQwen2.5-1.5Bを使用した場合、GPT−3.5-turboと同様の結果が得られたことにも留意が必要である。

LLMにバイアスが生じる理由

多くのプロンプト戦略でLLMが暗号資産プロジェクトを過大評価しがちな理由は、汎用的で構造化が不十分な要約では、ホワイトペーパーの宣伝調の文体がそのまま残りやすいためである。

これに対し、評価項目に焦点を当てた情報抽出では、この問題はおおむね回避できるものの、別の限界がある。ガバナンス、経営陣、トークン設計の弱点を捉えられれば、評価を人間の慎重な判断に近づけられる一方、根拠が不十分な場合や、個別の否定的な兆候が評価の根拠を左右する場合には、プロジェクトを過度に低く評価することもある。

こうした結果を受け、研究者らは、LLMは人間の調査を支援できるものの、完全に代替することはできないと判断した。

「これらの仕組みから、設計上の主な課題はプロンプトの選択だけではなく、評価に先立って信頼できる中間的な根拠を構築することにもあると分かる。したがって、この仕組みは最終的な投資スコアを算出するのではなく、専門家による確認が必要な案件を特定するために使うべきである。」

本研究によれば、少なくとも唯一の「最善の手法」は存在しない。

今回の設計マトリックスで誤差が最も小さかったのは、構造化要約と思考連鎖プロンプトを組み合わせた手法(手法2+CoT)である。

一方、評価項目に焦点を当てた手法では、候補となる危険信号が明らかになり、平均評価も人間の平均に近い。

AIを活用した暗号資産分析ツールの構築

この結果を受け、研究者はAIを使って暗号資産プロジェクトを分析する最適な方法として、次の提案を示した。

  1. 誤りを可能な限り抑えるため、モデルに根拠を生成させる前に、情報を構造化するべきである。
  2. 評価の調整と、出力を検証できる仕組みは、別々に設計・評価するべきである。構造面での監査可能性を高め、危険信号を把握しやすくするには、評価項目に焦点を当てた情報抽出を用いるべきである。
  3. モデルの相互検証:観察された誤りのパターンを、比較検証なしに特定のモデル群だけに帰属させるべきではない。LLM全般に共通する基本的な仕組みに起因する可能性もあるためである。

「これらの原則を合わせることで、本研究の貢献はLLMの応用にとどまらず、標準化が十分でない財務開示の状況で、監査可能な意思決定支援ツールを構成するための設計上の提言へと広がる。」

投資家への示唆

本研究は、AIと暗号資産の双方に関心を持つ投資家にとって、有益な情報を提供している。

暗号資産の分野では、LLMは人間主導のデューデリジェンスに取って代わる解決策には(まだ?)ならないことが明らかです。たとえば、AIモデルは暗号資産のホワイトペーパーに見られる過度な熱意や宣伝調の表現に惑わされ、プロジェクトの潜在力を過大評価する重大なリスクにつながることがあります。

しかし、適切なプロンプト手法を用いれば、AIで危険信号を検出することは非常に有用です。

AIに投資する人々にとって、この研究は、現時点ではLLMが人間の労働を完全には代替できないことを示しています。一方で、特に大量の技術データを整理する際には、貴重なツールとなります。

この研究は、AIを最大限に活用するには、適切なプロンプト手法を身につけることに加え、適切な分析手法を設計することが重要であることも示しています。AI技術への投資という観点から見ると、AIによる生産性向上の大部分は、モデルの性能向上だけによってもたらされるのではなく、段階的に実現していく可能性が高いことを示唆しています。むしろ、利用者がAIツールに習熟し、分析設計やプロンプトを改善して、成果の質を高める方法を学ぶことが不可欠です。

暗号資産市場への投資

Coinbase

COIN 価格チャート

暗号資産がより広く普及するにつれて、暗号資産への投資を始めたり、暗号資産市場での保有を増やしたりする投資家が増えています。暗号資産プロジェクトが増加していることも、同様の傾向を後押ししています。

この動向は、暗号資産の取引、資産価格、カストディ、機関投資家の参加と密接に結びついているCoinbaseのような企業にとって追い風となります。

したがって、Coinbaseのような暗号資産取引所やテクノロジープラットフォームへの投資は、個別のトークンを恣意的に選ぶことなく、暗号資産市場の動向に投資家が触れる手段となり得ます。

ただし、Coinbaseの上場株に投資しても、暗号資産に直接投資する場合と同じようなリターン(およびリスク)が得られるとは限りません。これはむしろ、暗号資産市場のインフラへの投資です。Coinbaseによると、2026年6月30日時点で、同社のプラットフォーム上の資産は2,460億ドルに上ります。

現在、Coinbaseのメインアプリと暗号資産取引所に加え、同社は以下のような関連サービスを提供しています。

  • Coinbase One:取引手数料無料、ステーキング報酬の上乗せ、暗号資産税計算ツールや暗号資産リサーチなどの提携サービスを利用できるプレミアム会員サービス。
  • Coinbase Advanced:プロの暗号資産トレーダー向けサービス。
  • Coinbase Wallet:取引所の外で暗号資産やNFTを自己管理するためのウォレット。
  • Coinbase Earn:暗号資産の保有者が暗号資産をロックしてネットワークから利息を得られるステーキングサービス。2023年にはCoinbaseの顧客が2億3,000万ドルを獲得しました。
  • Coinbase Card:暗号資産で買い物ができるVisaデビットカード。USDで支払うとBitcoinで1%、ETHで支払うとUSDCで1.5%の還元を受けられます。このカードは、Visaデビットカードが利用できるすべての場所で使えます。
  • USD Coin(USDC)は、米ドルと同価値のデジタルステーブルコインで、「デジタルドル」の実現を目指しています。

AIを含む、より高度なツールが次々に開発されるにつれて、既存の暗号資産インフラを補完するようになります。成熟度と存在感を高めたプラットフォームであるCoinbaseは、Bitcoin ETF、ステーブルコイン、株式のトークン化という潮流が拡大し、暗号資産が一段と普及するなかで、その恩恵を受ける有利な立場にあります。

(Coinbaseの沿革、サービス内容、投資先としての可能性について詳しくは、同社に関する当社の特集レポートをご覧ください。)

Coinbase(COIN)の最新株式ニュースと動向

参考研究

1.Yann Thorensほか「デジタル資産評価におけるLLMの応用:混合研究法による研究」Knowledge and Information Systems、2026年10月17日。https://doi.org/10.1007/s10115-026-02910-2 

ジョナサンは元生化学研究者で、遺伝子解析と臨床試験に従事していました。現在は株式アナリスト兼ファイナンスライターとして、イノベーション、市場サイクル、地政学に焦点を当て、彼の出版物『The Eurasian Century』で執筆しています。