Svärmintelligens ger en tydligare bild av kryptomarknaderna

Kan förklarbar AI förbättra prognoser för kryptomarknaden?

Ett prognossystem för kryptovalutor kan ge mindre fel utan att pålitligt förutsäga om priserna kommer att stiga eller falla. Den skillnaden är lätt att förbise, men den skiljer ett lovande forskningsverktyg från en beprövad handelsstrategi.

En ny studie, som har accepterats för publicering i Applied Soft Computing, undersöker denna skillnad med hjälp av ett system som kombinerar svärmintelligens med tolkningsbara statistiska regler.¹ I stället för att betrakta kryptovalutamarknaderna som en enda oavbruten ström av priser lär forskarna modellen att känna igen olika marknadstillstånd och uppskatta hur dessa övergår i varandra.

Resultaten pekar på en lovande inriktning för finansiell AI: prognoser som människor kan granska och ifrågasätta. De visar också varför transparens, statistisk träffsäkerhet och lönsamhet i investeringar måste utvärderas var för sig.

Så lär sig svärmintelligens att känna igen kryptomarknadens tillstånd

Systemet kombinerar optimering med partikelsvärm, eller PSO, med Markovprognoser. Trots terminologin är den bakomliggande logiken lätt att förstå.

Först grupperar modellen den dagliga avkastningen i tillstånd som motsvarar olika marknadsutfall. Dessa kan skilja mellan mindre förluster, relativt neutrala rörelser och uppgångar. Det spelar roll var gränserna dras: en olämplig klassificering kan dölja användbara mönster eller skapa missvisande sådana.

PSO söker efter bättre gränsdragningar. Flera möjliga lösningar rör sig genom ett matematiskt sökutrymme och justerar sina positioner utifrån information från sina egna tidigare resultat och från andra lösningars resultat. Processen liknar en grupp som delar ledtrådar medan den söker efter en lovande plats.

Därefter uppskattar en Markovmodell övergångssannolikheter mellan tillstånden. Modellen undersöker vad som brukade hända efter liknande förhållanden den senaste tiden, i stället för att försöka förklara varje prisrörelse.

Forskarna låter också dessa samband bero på marknadsregimer, däribland olika förhållanden vad gäller volatilitet och riktning. En övergång som observeras på en lugn marknad behöver inte betyda samma sak under turbulens.

Den centrala innovationen ligger alltså i hur systemet lär sig marknadens vokabulär. Definitionerna av tillstånden blir en del av prognosproblemet, i stället för fasta kategorier som bestäms innan prognosarbetet börjar.

Vad studien om kryptoprognoser faktiskt kom fram till

Huvudanalysen omfattar Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ) och XRP från den 1 januari 2018 till den 22 april 2026. I en separat rullande jämförelse utvärderas Bitcoin, Ethereum och BNB mot en slumpvandring, den klassiska statistiska modellen ARIMA och maskininlärningsmodellen XGBoost.

Det rör sig om kompletterande analyser med olika tillgångstäckning. Den rullande jämförelsen omfattar sammanlagt 270 prognoser utanför träningsurvalet, så den långa historiska datamängden ska inte förväxlas med tusentals oberoende utvärderade prognoser.

RMSE, eller rotmedelkvadratfelet, ger större prognosfel en högre straffvikt. MAE, eller medelabsolutfelet, mäter den genomsnittliga felstorleken utan denna extra viktning. Båda måtten gäller avkastningsprognoser, inte handelsvinster.

Det föreslagna systemet har den lägsta RMSE-nivån, men dess fördel jämfört med ARIMA är liten. ARIMA har en något bättre MAE, och formella statistiska test visar inte att det finns någon skillnad i prognosförlust mellan de två.

Riktningsprognoserna är svagare. Det föreslagna systemet identifierar rätt riktning i 48,89 % av fallen, vilket inte är statistiskt åtskiljbart från ett riktmärke på 50 %. Ingen av de testade modellerna uppvisar en statistiskt signifikant riktningsprecision över detta riktmärke.

Probabilitetskalibrering innebär ytterligare en begränsning. Om en välkalibrerad modell anger 70 % sannolikhet för ett utfall bör det utfallet inträffa ungefär 70 % av gångerna bland jämförbara prognoser. ARIMA och XGBoost presterar bättre enligt de redovisade sammanvägda kalibreringsmåtten.

Varför mindre prognosfel inte garanterar handelsvinster

En modell kan ligga ganska nära den faktiska avkastningen och ändå gång på gång förutsäga fel riktning. När många dagliga rörelser är små kan prognoser som samlas kring noll begränsa felet utan att identifiera attraktiva affärer.

Lönsamhet ställer ytterligare krav. Vinsterna beror på storleken på positioner som går med respektive mot en, exekveringspriser, avgifter, spreadar och hur ofta strategin handlar. En hög träffsäkerhet i riktningsprognoser kan ändå leda till förlust, medan en lägre träffsäkerhet ibland kan vara lönsam om vinsterna överstiger förlusterna.

I artikeln redovisas ingen handelssimulering där transaktionskostnader har räknats in. Resultaten motiverar ytterligare undersökningar av prognoser och övervakning, men visar inte att det finns någon investeringsfördel som går att omsätta i praktiken.

Den här skillnaden kompletterar Securities.io:s senaste bevakning av dolda risker vid handel med kryptoterminer. Att uppskatta en avkastning och att förstå om en position kan handlas säkert är närliggande men skilda uppgifter.

Förklarbarhet skapar ett annat slags värde

Den föreslagna modellen visar övergångsreglerna och de historiska observationer som ligger till grund för dem. Det kan hjälpa analytiker att avgöra om ett skenbart mönster bygger på omfattande belägg eller på ett litet antal ovanliga episoder.

En forskningspanel skulle till exempel kunna flagga en övergångsregel med begränsat stöd för manuell granskning. Det är en möjlig tillämpning, inte ett resultat som studien har visat.

Transparens gör det också lättare att undersöka varför något inte fungerar. Analytiker kan granska om gränserna mellan tillstånden blev olämpliga, om ett marknadsläge förändrades eller om en tidigare vanlig övergång upphörde. Det diagnostiska värdet bör utvärderas tillsammans med prognosförmågan.

Marknadens minne inom krypto förändras med förutsättningarna

I huvudanalysen av fyra tillgångar väljer samtliga tillgångar beroende av första ordningen. I praktiken innebär det att det senaste tillståndet utgör det valda sammanhanget för övergången. Längre sekvenser ger inte automatiskt mer användbara prognoser.

Det betyder inte att äldre information aldrig spelar någon roll. Historiska observationer behövs fortfarande för att uppskatta samband. Det innebär att om fler tillstånd i följd läggs till i en prognosregel kan de tillgängliga beläggen splittras upp.

När antalet möjliga sekvenser ökar kan det finnas färre exempel på varje sekvens. Regimskiften försvårar detta ytterligare, eftersom samband som lärts in under en uppsättning förhållanden kan försvagas under en annan.

Slutsatsen gäller även utanför kryptovalutor: komplexitet måste förtjäna sin plats genom testning. Ett längre minne eller en mer avancerad arkitektur är användbar endast när den ytterligare informationen väger tyngre än den ökade osäkerheten.

Datakvaliteten spelar också roll. Securities.io:s bevakning av skenhandel och marknadsvolatilitet visar varför skenbar handelsaktivitet måste granskas. Om volym- eller likviditetsindikatorer läggs till i framtida modeller tillkommer ny information, men också nya krav på datavalidering.

Vad investerare bör kräva av finansiell AI

Nästa steg är mer omfattande validering för fler tillgångar och marknadsförhållanden samt jämförelser med konkurrerande metoder. Författarna pekar ut bredare riktmärken, förbättrad kalibrering, upprepade optimeringskörningar och ekonomisk utvärdering som områden för fortsatt arbete.

Investerare som utvärderar liknande verktyg kan fokusera på tre frågor:

• Består resultaten på data som inte använts tidigare, jämfört med trovärdiga och enklare alternativ?
• Stämmer de rapporterade sannolikheterna överens med de observerade utfallen?
• Kvarstår en eventuell handelsfördel när realistiska kostnader för genomförande räknas in?

Genom att hålla isär dessa frågor undviker man att ett starkt resultat på ett mått blir ett obestyrkt påstående om ett annat. Det ger också utvecklare tydligare mål för förbättringar.

Coinbase kopplar samman kryptanalys med marknadsinfrastruktur

För investerare som är intresserade av infrastrukturen bakom mer avancerade kryptomarknader är Coinbase ett relevant börsnoterat bolag att granska. Bolagets plattform för institutionella kunder samlar handel, förvaring, finansiering och andra tjänster genom Coinbase Prime.

Kopplingen är bredare än just den här prognosmetoden. Institutioner behöver tillförlitliga data, operativa kontroller och infrastruktur för handel för att omvandla forskning till användbara arbetsflöden. Förklarbara modeller skulle kunna komplettera dessa system, om senare tester visar att de har praktiskt värde.

Coinbase publicerar också marknadsanalyser. Bolagets marknadsutsikter i Charting Crypto från den 7 oktober behandlar förhållanden i kedjan, värdering och likviditet och visar den bredare informationsmängd som finns tillgänglig utöver historiska övergångar i avkastningen.

Studien visar inte att Coinbase använder den här arkitekturen eller skulle gynnas ekonomiskt av att införa den. Coinbase-aktien är också förenad med affärs-, konkurrens-, reglerings- och kryptomarknadsrisker. Den relevanta investeringsfrågan är om bolagets infrastruktur kan möta en varaktig efterfrågan från kunder, inte om en enskild prognosmodell lyckas.

Senaste nyheterna och utvecklingen kring Coinbase (COIN)

En mer testbar framtid för kryptoprognoser

Studiens bidrag är en granskningsbar prognosprocess med konkurrenskraftiga resultat när det gäller avkastningsfel. Begränsningarna är lika upplysande: riktningsprognoserna ligger fortfarande nära slumpnivå, kalibreringen behöver förbättras och lönsamheten har inte testats.

Framsteg kan göras genom att finansiell AI blir lättare att ifrågasätta. När användare kan granska reglerna, förstå vilket underlag de bygger på och skilja statistiska resultat från ekonomiskt värde får de bättre förutsättningar att avgöra var en modell hör hemma i ett investeringsflöde.

Referenser:

¹ do Nascimento, K. K. F., & dos Santos, F. S. (2026). Ett PSO-optimerat intelligent Markov-prognossystem för regimberoende dynamik på kryptovalutamarknaden. Applied Soft Computing. Förhandspublicerad online. https://doi.org/10.1016/j.asoc.2026.116666