Mas Malinaw na Tanaw sa mga Merkado ng Crypto sa Pamamagitan ng Swarm Intelligence

Mapahuhusay ba ng Naipapaliwanag na AI ang Pagtataya sa mga Merkado ng Crypto?

Maaaring maghatid ang isang sistema sa pagtataya ng presyo ng cryptocurrency ng mas maliliit na error nang hindi naman maaasahang natutukoy kung tataas o bababa ang mga presyo. Madaling makaligtaan ang pagkakaibang ito, ngunit ito ang naghihiwalay sa isang kapaki-pakinabang na kasangkapan sa pananaliksik at sa isang estratehiya sa pangangalakal na napatunayan na.

Sinusuri ng isang bagong pag-aaral na tinanggap para ilathala sa Applied Soft Computing ang pagkakaibang ito sa pamamagitan ng sistemang pinagsasama ang swarm intelligence at mga naipapaliwanag na tuntuning estadistikal.¹ Sa halip na ituring ang mga merkado ng cryptocurrency bilang iisang tuluy-tuloy na daloy ng mga presyo, sinasanay ng mga mananaliksik ang kanilang modelo na kumilala ng iba’t ibang kalagayan ng merkado at tantiyahin kung paano nagbabago ang mga ito.

Ipinahihiwatig ng mga resulta ang isang kapaki-pakinabang na direksiyon para sa AI sa pananalapi: mga pagtatayang maaaring suriin at kuwestiyunin ng mga tao. Ipinakikita rin ng mga ito kung bakit kailangang magkahiwalay na tasahin ang transparency, katumpakang estadistikal, at kakayahang kumita ng pamumuhunan.

Paano Natutukoy ng Swarm Intelligence ang mga Kalagayan ng Merkado ng Crypto

Pinagsasama ng sistema ang particle swarm optimization, o PSO, at pagtatayang Markov. Sa kabila ng mga teknikal na katawagan, madaling maunawaan ang batayang lohika nito.

Una, pinagbubukod-bukod ng modelo ang mga pang-araw-araw na return ayon sa mga kalagayang kumakatawan sa iba’t ibang kinalabasan ng merkado. Maaaring maiba rito ang bahagyang pagkalugi, mga paggalaw na halos walang pagbabago, at mga pagtaas. Mahalaga kung saan itinatakda ang mga hangganang ito: maaaring matakpan ng hindi angkop na pag-uuri ang mga kapaki-pakinabang na padron o makalikha ng mga mapanlinlang na padron.

Naghahanap ang PSO ng mas mahuhusay na hangganan. Gumagalaw sa isang matematikal na espasyo ng paghahanap ang maraming posibleng solusyon at inaayos ng mga ito ang kani-kanilang posisyon batay sa impormasyon mula sa sarili nilang mga nakaraang resulta at sa mga resulta ng iba pang posibleng solusyon. Para itong pangkat na nagpapalitan ng mga pahiwatig habang naghahanap ng isang magandang lokasyon.

Pagkatapos, tinatantiya ng isang modelong Markov ang mga posibilidad ng paglipat mula sa isang kalagayan tungo sa iba. Sinusuri nito kung ano ang karaniwang nangyari matapos ang magkakatulad na kamakailang mga kondisyon, sa halip na subukang ipaliwanag ang bawat galaw ng presyo.

Isinasaalang-alang din ng mga mananaliksik ang iba’t ibang kalagayan ng merkado sa mga ugnayang ito, kabilang ang magkakaibang antas ng volatility at direksiyon ng galaw. Hindi nangangahulugang pareho ang kahulugan ng isang pagbabagong naganap sa tahimik na merkado at ng pagbabagong naganap sa gitna ng matinding pag-uga.

Samakatuwid, ang pangunahing inobasyon ay kung paano natututuhan ng sistema ang bokabularyo nito tungkol sa merkado. Nagiging bahagi ng proseso ng pagtataya ang mga depinisyon ng bawat kalagayan, sa halip na mga nakapirming kategoryang itinakda bago pa magsimula ang pagtataya.

Ano Talaga ang Natuklasan ng Pag-aaral sa Pagtataya sa Crypto

Saklaw ng pangunahing pagsusuri ang Bitcoin (BTC ), Ethereum (ETH ), Litecoin (LTC ), at XRP mula Enero 1, 2018, hanggang Abril 22, 2026. Sa isang hiwalay na paghahambing gamit ang sunud-sunod na mga yugto, sinusuri ang Bitcoin, Ethereum, at BNB laban sa random walk, sa klasikong modelong estadistikal na ARIMA, at sa modelong machine learning na XGBoost.

Magkakomplemento ang mga pagsusuring ito ngunit magkaiba ang saklaw ng mga asset. Iniulat sa paghahambing gamit ang sunud-sunod na mga yugto ang kabuuang 270 pagtataya sa datos na hindi ginamit sa pagsasanay ng mga modelo, kaya hindi dapat ipagkamali ang mahabang makasaysayang dataset bilang libo-libong pagtatayang sinuri nang magkakahiwalay.

Mas mabigat ang parusa ng RMSE, o root mean squared error, sa mas malalaking error sa pagtataya. Sinusukat naman ng MAE, o mean absolute error, ang karaniwang laki ng error nang walang dagdag na bigat na iyon. Pareho itong tumutukoy sa mga pagtataya ng return, hindi sa mga kita mula sa pangangalakal.

Nagtatala ang iminungkahing sistema ng pinakamababang RMSE, ngunit maliit lamang ang lamang nito sa ARIMA. Bahagyang mas mahusay ang MAE ng ARIMA, at hindi pinatutunayan ng mga pormal na pagsusuring estadistikal na may pagkakaiba sa pagitan ng dalawa pagdating sa pagkawala sa pagtataya.

Mas mahina ang pagtataya ng direksiyon. Tama ang pagtukoy ng iminungkahing sistema sa direksiyon sa 48.89% ng mga pagkakataon—hindi ito maihihiwalay sa estadistikal na paraan sa batayang 50%. Wala sa mga sinuring modelo ang nagpapakita ng katumpakan sa pagtukoy ng direksiyon na mas mataas sa batayang iyon sa paraang makabuluhan sa estadistikal na paraan.

Isa pang limitasyon ang pagkakalibrate ng mga probabilidad. Kung mahusay ang pagkakalibrate ng isang modelo at nagtatalaga ito ng 70% na posibilidad sa isang kinalabasan, dapat mangyari ang kinalabasang iyon nang humigit-kumulang 70% ng mga pagkakataon sa magkakatulad na mga pagtataya. Mas mahusay ang ARIMA at XGBoost batay sa iniulat na pinagsama-samang mga panukat ng pagkakalibrate.

Bakit Hindi Tinitiyak ng Mas Maliliit na Error sa Pagtataya ang Kita sa Pangangalakal

Maaaring manatiling medyo malapit ang isang modelo sa aktuwal na mga return ngunit paulit-ulit namang magkamali sa pagtukoy ng direksiyon ng mga ito. Kapag maliit ang maraming pang-araw-araw na galaw, maaaring mapababa ng mga pagtatayang magkakalapit sa sero ang error nang hindi natutukoy ang mga kaakit-akit na pagkakataon sa pangangalakal.

May iba pang kailangang isaalang-alang upang kumita. Nakadepende ang mga pakinabang sa laki ng mga posisyong kumikita at nalulugi, mga presyong naipatupad sa transaksiyon, bayarin, agwat ng presyo sa pagbili at pagbebenta, at dalas ng pangangalakal ng estratehiya. Maaari pa ring malugi kahit mataas ang bahagdan ng tamang pagtukoy sa direksiyon, samantalang maaari namang kumita kung minsan kahit mas mababa ang bahagdan nito basta mas malaki ang mga pakinabang kaysa sa mga pagkalugi.

Walang iniulat ang papel na simulasyon ng pangangalakal na isinasaalang-alang ang mga gastos sa transaksyon. Sinusuportahan ng mga resulta nito ang higit pang pagsisiyasat sa pagtataya at pagsubaybay, ngunit hindi pinatutunayan ng mga ito na may naisasakatuparang bentahe sa pamumuhunan.

Kaugnay ito ng kamakailang pagtalakay ng Securities.io sa mga nakatagong panganib ng pangangalakal ng crypto futures. Magkaugnay ngunit magkahiwalay na gawain ang pagtantiya sa kita at pag-unawa kung ligtas bang maisasagawa ang isang posisyon sa pangangalakal.

Ibang Uri ng Halaga ang Naibibigay ng Pagiging Maipapaliwanag

Ipinapakita ng iminungkahing modelo ang mga tuntunin sa pagbabago ng estado at ang mga nakaraang obserbasyong sumusuporta sa mga ito. Makakatulong ito sa isang analyst na matukoy kung nakabatay sa matibay na ebidensiya o sa kakaunting di-pangkaraniwang pangyayari ang isang tila paulit-ulit na padron.

Halimbawa, maaaring magbigay-babala ang isang dashboard para sa pananaliksik tungkol sa tuntunin sa pagbabago ng estado na kakaunti ang sumusuportang datos, upang masuri ito nang mano-mano. Posibleng paggamit ito, hindi resultang napatunayan ng pag-aaral.

Dahil sa pagiging malinaw ng modelo, mas madaling siyasatin ang mga pagkabigo nito. Maaaring suriin ng mga analyst kung naging di-angkop ang mga hangganan ng estado, kung nagbago ang isang rehimen, o kung hindi na naganap ang dating karaniwang pagbabago ng estado. Dapat ding suriin ang halagang naidudulot ng ganitong pagsusuri kasabay ng kakayahang maghula.

Nagbabago ang mga Padron sa mga Crypto Market Depende sa mga Kondisyon

Sa pangunahing pagsusuri sa apat na asset, pinipili ng lahat ng asset ang pagdepende sa unang antas. Sa praktika, ang pinakahuling estado ang ginagamit na batayan sa pagpili ng susunod na estado. Hindi awtomatikong nagiging mas kapaki-pakinabang ang mga pagtataya kapag mas mahaba ang mga pagkakasunod-sunod.

Hindi ito nangangahulugang hindi kailanman mahalaga ang mas lumang impormasyon. Kailangan pa rin ang mga nakaraang obserbasyon upang matantiya ang mga ugnayan. Ibig sabihin nito, maaaring magpira-piraso ang magagamit na ebidensiya kapag dinagdagan pa ng magkakasunod na estado ang isang tuntunin sa pagtataya.

Kapag mas maraming posibleng pagkakasunod-sunod, maaaring mas kaunti ang halimbawang mapapabilang sa bawat isa. Lalong nagpapahirap dito ang mga pagbabago ng rehimen, dahil maaaring humina sa ibang mga kondisyon ang mga ugnayang natutuhan sa isang takdang hanay ng mga kondisyon.

Hindi lamang sa cryptocurrency naaangkop ang aral na ito: dapat patunayan sa pagsusuri na kapaki-pakinabang ang pagiging kumplikado. Kapaki-pakinabang lamang ang mas mahabang memorya o mas masalimuot na arkitektura kung mas malaki ang pakinabang ng dagdag na impormasyon kaysa sa dagdag na kawalang-katiyakan.

Mahalaga rin ang kalidad ng datos. Itinatampok ng pagtalakay ng Securities.io sa pekeng kalakalan at pagkasumpungin ng merkado kung bakit kailangang suriing mabuti ang aktibidad na nakikita sa datos. Kung idaragdag sa mga modelo sa hinaharap ang mga panukat ng dami ng kalakalan o likwididad, madaragdagan ang impormasyong magagamit, pati na ang mga kailangang gawin upang mapatunayan ang kalidad ng datos.

Ano ang Dapat Hingin ng mga Mamumuhunan sa AI para sa Pananalapi

Ang susunod na hakbang ay mas masusing pagpapatunay sa mas maraming asset, kondisyon ng merkado, at alternatibong pamamaraan. Kabilang sa mga larangang tinukoy ng mga may-akda na nangangailangan pa ng trabaho ang mas malawak na mga benchmark, pinahusay na kalibrasyon, paulit-ulit na pagpapatakbo ng optimisasyon, at pagsusuring pang-ekonomiya.

Maaaring ituon ng mga mamumuhunang nagsusuri ng kahalintulad na mga kasangkapan ang pansin sa tatlong tanong:

• Nananatili ba ang mahusay na resulta sa datos na hindi pa nagagamit, kung ihahambing sa mga mapagkakatiwalaan at mas payak na alternatibo?
• Tumutugma ba ang mga iniulat na probabilidad sa mga naobserbahang kinalabasan?
• Nananatili ba ang anumang bentahe sa pangangalakal kapag isinasaalang-alang ang makatotohanang mga gastos sa pagsasagawa nito?

Kapag magkakahiwalay na sinusuri ang mga tanong na ito, naiiwasang humantong sa di-sinusuportahang pahayag tungkol sa ibang panukat ang mahusay na resulta sa iisang panukat. Nagbibigay rin ito sa mga developer ng mas malinaw na mga layunin para sa pagpapahusay.

Pinag-uugnay ng Coinbase ang Pagsusuri sa Crypto at Imprastraktura ng Merkado

Para sa mga mamumuhunang interesado sa imprastrakturang sumusuporta sa mas sopistikadong mga crypto market, isang angkop na pampublikong kompanyang susuriin ang Coinbase. Pinagsasama ng plataporma nito para sa mga institusyon ang pagsasagawa ng kalakalan, pag-iingat ng mga asset, pagpopondo, at iba pang serbisyo sa pamamagitan ng Coinbase Prime.

Mas malawak ang ugnayang ito kaysa sa partikular na pamamaraang ito ng pagtataya. Kailangan ng mga institusyon ang maaasahang datos, mga kontrol sa operasyon, at imprastraktura para sa pagsasagawa ng kalakalan upang maisalin ang pananaliksik sa mga prosesong magagamit sa aktuwal na gawain. Maaaring umakma sa mga sistemang iyon ang mga modelong naipapaliwanag, kung mapatutunayan sa mga susunod na pagsusuri ang praktikal na pakinabang ng mga ito.

Naglalathala rin ang Coinbase ng pagsusuri sa merkado. Sinusuri ng ulat ng pananaw ng Charting Crypto nito noong Oktubre 7 ang mga kondisyon sa onchain, pagpapahalaga, at likwididad, at ipinakikita nito ang mas malawak na hanay ng impormasyong magagamit bukod sa mga pagbabago sa kita batay sa nakaraang datos.

Hindi pinatutunayan ng pag-aaral na ginagamit ng Coinbase ang arkitektura nito o na kikita sa pananalapi ang kompanya sakaling gamitin ito. Kaakibat din ng pagmamay-ari ng sapi ng Coinbase ang mga panganib sa negosyo, kompetisyon, regulasyon, at merkado ng crypto. Ang mahalagang tanong para sa mamumuhunan ay kung kayang suportahan ng imprastraktura nito ang tuluy-tuloy na pangangailangan ng mga customer, hindi kung magtatagumpay ang iisang modelo ng pagtataya.

Pinakabagong Balita at mga Pag-unlad tungkol sa Coinbase (COIN)

Mas Masusubok na Kinabukasan para sa Pagtataya sa Crypto

Ambag ng pag-aaral ang isang prosesong masusuri para sa pagtataya, na may mahusay na kakayahang tantiyahin ang mga kita batay sa mga error kumpara sa mga katunggaling pamamaraan. Kapaki-pakinabang ding impormasyon ang mga limitasyon nito: nananatiling halos kasinghusay lamang ng tsamba ang mga pagtatayang nagsasaad ng direksiyon, kailangan pang paghusayin ang kalibrasyon, at hindi pa nasusubok ang kakayahang kumita.

Maaaring umunlad ang larangan kung mas madaling kuwestiyunin ang AI sa pananalapi. Kapag nasisiyasat ng mga gumagamit ang mga tuntunin, nauunawaan ang sumusuportang ebidensiya, at naihihiwalay ang pagganap sa estadistika sa halagang pang-ekonomiya, nagkakaroon sila ng mas matibay na batayan sa pagpapasya kung saan dapat gamitin ang isang modelo sa proseso ng pamumuhunan.

Mga Sanggunian:

¹ do Nascimento, K. K. F., at dos Santos, F. S. (2026). Isang matalinong sistema ng pagtataya ng Markov na inoptimize ng PSO para sa dinamika ng cryptocurrency na nakadepende sa rehimen. Applied Soft Computing. Paunang publikasyon online. https://doi.org/10.1016/j.asoc.2026.116666