Svermintelligens gir et tydeligere bilde av kryptomarkedene

Kan forklarbar KI forbedre prognoser for kryptomarkedet?

Et system for prognoser for kryptovaluta kan gi mindre feil uten pålitelig å forutsi om prisene vil stige eller falle. Det er lett å overse denne forskjellen, men den skiller et lovende forskningsverktøy fra en dokumentert handelsstrategi.

En ny studie som er antatt for publisering i Applied Soft Computing, utforsker dette skillet ved hjelp av et system som kombinerer svermintelligens med tolkbare statistiske regler.¹ I stedet for å behandle kryptomarkedene som én sammenhengende strøm av priser lærer forskerne modellen å gjenkjenne ulike markedstilstander og anslå hvordan tilstandene går over i hverandre.

Resultatene peker på en nyttig retning for KI i finans: prognoser som folk kan undersøke og stille spørsmål ved. De viser også hvorfor åpenhet, statistisk treffsikkerhet og lønnsomhet i investeringer må vurderes hver for seg.

Slik lærer svermintelligens modellen å gjenkjenne markedstilstander i kryptomarkedet

Systemet kombinerer partikkelsvermoptimalisering, eller PSO, med Markov-prognostisering. Til tross for fagterminologien er den underliggende logikken lett å forstå.

Først grupperer modellen daglig avkastning i tilstander som representerer ulike markedsutfall. Disse kan skille mellom små tap, relativt nøytrale bevegelser og gevinster. Det har betydning hvor grensene trekkes: En lite egnet klassifisering kan skjule nyttige mønstre eller skape misvisende mønstre.

PSO leter etter bedre grenser. Flere mulige løsninger beveger seg gjennom et matematisk søkerom og justerer posisjonene sine ut fra informasjon om egne tidligere resultater og resultatene til andre kandidater. Prosessen kan sammenlignes med en gruppe som deler ledetråder mens den leter etter et lovende sted.

Deretter anslår en Markov-modell overgangssannsynlighetene mellom tilstandene. Den undersøker hva som pleide å skje etter lignende forhold i den siste tiden, i stedet for å forsøke å forklare hver eneste prisbevegelse.

Forskerne tar også hensyn til ulike markedsregimer når de modellerer disse sammenhengene, blant annet perioder med forskjellig volatilitet og markedsretning. En overgang som observeres i et rolig marked, trenger ikke å ha samme betydning i turbulente perioder.

Den sentrale nyvinningen ligger derfor i hvordan systemet lærer sitt eget markedsspråk. Definisjonene av tilstandene blir en del av prognoseproblemet, i stedet for å være faste kategorier som bestemmes før prognosene begynner.

Hva studien av kryptoprognoser faktisk fant

Hovedanalysen omfatter Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ), og XRP fra 1. januar 2018 til 22. april 2026. En separat rullerende sammenligning vurderer Bitcoin, Ethereum og BNB opp mot en tilfeldig vandring, den klassiske statistiske modellen ARIMA og maskinlæringsmodellen XGBoost.

Dette er komplementære analyser med ulik dekning av aktiva. Den rullerende sammenligningen rapporterer til sammen 270 prognoser utenfor utvalget, så det lange historiske datasettet må ikke forveksles med tusenvis av uavhengig evaluerte prognoser.

RMSE, eller kvadratrot av gjennomsnittlig kvadratfeil, gir større prognosefeil en tyngre straff. MAE, eller gjennomsnittlig absolutt feil, måler gjennomsnittlig feil uten denne ekstra vektingen. Begge målene gjelder avkastningsprognoser, ikke handelsfortjeneste.

Det foreslåtte systemet har den laveste RMSE-en, men forspranget på ARIMA er lite. ARIMA har litt bedre MAE, og formelle statistiske tester påviser ikke noen forskjell i prognosetap mellom de to.

Retningsprognosene er svakere. Det foreslåtte systemet identifiserer riktig retning i 48,89 % av tilfellene, noe som ikke er statistisk forskjellig fra en referanseverdi på 50 %. Ingen av de testede modellene viser statistisk signifikant retningsnøyaktighet over denne referanseverdien.

Sannsynlighetskalibrering byr på en annen begrensning. En godt kalibrert modell som tilordner et utfall 70 % sannsynlighet, bør forutsi at utfallet inntreffer omtrent 70 % av tiden på tvers av sammenlignbare prognoser. ARIMA og XGBoost gjør det bedre på de rapporterte samlede kalibreringsmålene.

Hvorfor mindre prognosefeil ikke garanterer handelsfortjeneste

En modell kan ligge rimelig nær den faktiske avkastningen, samtidig som den gjentatte ganger bommer på retningen. Når mange daglige bevegelser er små, kan prognoser samlet rundt null begrense feilen uten å identifisere attraktive handler.

Lønnsomhet stiller flere krav. Gevinstene avhenger av størrelsen på vinner- og taperposisjonene, utførelsesprisene, gebyrene, spreadene og hvor ofte strategien handler. En høy treffprosent for retning kan likevel føre til tap, mens en lavere treffprosent noen ganger kan være lønnsom hvis gevinstene veier opp for tapene.

Artikkelen rapporterer ikke om en handelssimulering justert for transaksjonskostnader. Resultatene gir grunnlag for videre undersøkelser av prognoser og overvåking, men viser ikke at det finnes en investeringsfordel som kan utnyttes i praksis.

Dette skillet supplerer Securities.io’ nylige omtale av skjulte risikoer ved handel med kryptofutures. Å anslå avkastning og å forstå om en posisjon kan handles på en trygg måte, er beslektede, men separate oppgaver.

Forklarbarhet skaper en annen type verdi

Den foreslåtte modellen viser overgangsreglene og de historiske observasjonene som ligger til grunn for dem. Det kan hjelpe en analytiker med å avgjøre om et tilsynelatende mønster bygger på omfattende dokumentasjon eller på et lite utvalg uvanlige hendelser.

Et forskningsdashbord kan for eksempel markere en overgangsregel med begrenset støtte for manuell gjennomgang. Dette er en mulig anvendelse, ikke et resultat studien har påvist.

Åpenhet gjør det også enklere å undersøke hvorfor modellen svikter. Analytikere kan undersøke om grensene mellom tilstander har blitt uegnede, om et regime har endret seg, eller om en overgang som tidligere var vanlig, har sluttet å forekomme. Denne diagnostiske verdien bør vurderes på linje med prediksjonsevnen.

Markedsminnet i kryptomarkedet endres med forholdene

I hovedanalysen av fire aktiva velger alle aktiva avhengighet av første orden. I praksis utgjør den siste tilstanden den valgte konteksten for overgangen. Lengre sekvenser gir ikke automatisk mer nyttige prognoser.

Det betyr ikke at eldre informasjon aldri er relevant. Historiske observasjoner er fortsatt nødvendige for å anslå sammenhenger. Poenget er at det å legge til flere tilstander etter hverandre i en prognoseregel kan spre dokumentasjonen for tynt utover.

Når det finnes flere mulige sekvenser, kan hver sekvens ha færre eksempler. Regimeskifter gjør dette vanskeligere, fordi sammenhenger som er lært under ett sett med forhold, kan bli svakere under et annet.

Dette gjelder også utenfor kryptovaluta: Kompleksitet må vise sin berettigelse gjennom testing. Et lengre minne eller en mer avansert arkitektur er bare nyttig når den ekstra informasjonen veier opp for den økte usikkerheten.

Datakvaliteten er også viktig. Securities.io’ omtale av vaskehandel og markedsvolatilitet viser hvorfor tilsynelatende handelsaktivitet må granskes. Hvis volum- eller likviditetsindikatorer legges til framtidige modeller, vil det tilføre ny informasjon, men også nye krav til datavalidering.

Dette bør investorer kreve av finansiell KI

Neste steg er grundigere validering på tvers av flere aktiva, markedsforhold og konkurrerende metoder. Forfatterne peker på bredere referansesammenligninger, bedre kalibrering, gjentatte optimaliseringskjøringer og økonomisk evaluering som områder for videre arbeid.

Investorer som vurderer lignende verktøy, kan ta utgangspunkt i tre spørsmål:

• Holder ytelsen seg på data modellen ikke har sett før, sammenlignet med troverdige og enklere alternativer?
• Samsvarer de rapporterte sannsynlighetene med observerte utfall?
• Tåler en eventuell handelsfordel realistiske gjennomføringskostnader?

Når disse spørsmålene holdes atskilt, unngår man at et sterkt resultat på ett mål blir til en udokumentert påstand om et annet. Det gir også utviklerne tydeligere mål for forbedring.

Coinbase kobler kryptoanalyse til markedsinfrastruktur

For investorer som er interessert i infrastrukturen som støtter mer sofistikerte kryptomarkeder, er Coinbase et relevant børsnotert selskap å undersøke. Den institusjonelle plattformen samler handel, oppbevaring, finansiering og andre tjenester gjennom Coinbase Prime.

Sammenhengen strekker seg lenger enn denne spesifikke prognosemetoden. Institusjoner trenger pålitelige data, driftskontroller og handelsinfrastruktur for å omsette forskning til arbeidsflyter som kan brukes i praksis. Forklarbare modeller kan supplere disse systemene dersom senere testing viser at de har praktisk verdi.

Coinbase publiserer også markedsanalyse. Dens 7. oktober Charting Crypto outlook vurderer onchain‑forhold, verdsettelse og likviditet, og illustrerer det bredere informasjonssettet som er tilgjengelig utover historiske avkastningstransisjoner.

Studien viser ikke at Coinbase bruker arkitekturen eller ville tjene økonomisk på å ta den i bruk. Coinbase-aksjen innebærer også risiko knyttet til virksomheten, konkurransen, reguleringer og kryptomarkedet. Det relevante investeringsspørsmålet er om infrastrukturen kan støtte vedvarende kundetterspørsel, ikke om én prognosemodell lykkes.

Siste nytt og utvikling om Coinbase (COIN)

En framtid for kryptoprognoser som er lettere å teste

Studiens bidrag er en etterprøvbar prognoseprosess med konkurransedyktige resultater for avkastningsfeil. Begrensningene er like opplysende: Retningsprognosene ligger fortsatt nær tilfeldighetsnivået, kalibreringen må forbedres, og lønnsomheten er ikke testet.

Fremskritt kan komme av å gjøre KI innen finans enklere å utfordre. Når brukerne kan undersøke reglene, forstå dokumentasjonen og skille mellom statistiske resultater og økonomisk verdi, får de et bedre grunnlag for å avgjøre hvor en modell hører hjemme i en investeringsprosess.

Referanser:

¹ do Nascimento, K. K. F., & dos Santos, F. S. (2026). Et PSO-optimalisert intelligent Markov-prognosesystem for regimeavhengig kryptovalutadynamikk. Applied Soft Computing. Publisert på nett før trykt utgave. https://doi.org/10.1016/j.asoc.2026.116666