Искусственный интеллект — основанная на поддержке принятия решений в криптовалютных рынках: игровая теория и вероятностная модель

#DeepCreationCamp

За последнее десятилетие рынки криптовалют стали одним из самых разрушительных инновационных явлений в финансовом мире, привлекая внимание не только высоким потенциалом доходности, но и серьезными рисками. В отличие от традиционных финансовых активов, криптовалюты сильно зависят не только от спроса и предложения, но и от трендов в социальных сетях, технологических обновлений и новостей регулирования благодаря своей децентрализованной структуре и круглосуточной торговле. Это ставит под сомнение актуальность классических экономических теорий, предполагающих рациональных участников рынка.

Хотя искусственный интеллект предлагает новые перспективы в понимании человеческого поведения и динамики рынка, существующие подходы часто ограничены «черным ящиком» и недостаточно адаптивны к внезапным рыночным шокам.

Большинство моделей количественных финансов и базовых алгоритмов машинного обучения предполагают, что исторические паттерны повторятся в будущем. Однако рынки криптовалют хаотичны и нестационарны. В этом контексте выделяются две ключевые проблемы:

1. Текущие алгоритмы испытывают трудности с моделированием «иррациональных» движений рынка.
2. Глубокие модели обучения недостаточно объяснимы, что затрудняет понимание человеком причин принятия решений о покупке/продаже.

Эти ограничения подрывают доверие инвесторов к системам на базе ИИ и замедляют технологическое внедрение.

Данная работа вносит вклад в развитие следующих направлений:

Разработка гибридной вероятностной модели на основе теории доверия Демстера–Шафера, которая оценивает неопределенность через взвешивание доказательств, а не только байесовскую вероятность.

Предложение симуляционной рамки, моделирующей динамику рынка как многопользовательскую игру, что позволяет креативно решать задачи в интерактивных средах.

2. Связанные работы

Предложенный подход основан на трех основных областях исследований: ИИ в экономической теории, симуляциях на основе игр и вероятностном рассуждении.

2.1 ИИ и экономическая теория

Рост ИИ значительно повлиял на экономическую теорию. В то время как традиционные модели опираются на предположение о рациональных агентах «Homo Economicus», современные подходы с использованием ИИ лучше учитывают ограниченную рациональность и асимметричную информацию. Такие концепции, как равновесие спроса и предложения, ценообразование и теория игр, были усовершенствованы с помощью вычислительных методов, вдохновленных природным интеллектом.

Эта работа строится на этой трансформации для интерпретации иррациональных ценовых динамик на крипторынках.

2.2 Среды моделирования и теория игр

Игры предоставляют контролируемые среды для изучения принятия решений в условиях неопределенности. Торговля криптовалютами может моделироваться как сложная, не нулевая сумма игра, в которой участвуют множество агентов, конкурирующих и взаимодействующих.

Хотя симуляции игр широко используются для обучения агентов, их адаптация к моделированию финансовых рынков — особенно для генерации креативных стратегий — остается развивающейся областью. В этом исследовании используются игровые среды как площадки для тестирования и повышения эффективности агентов в моделях рынка.

2.3 Вероятностное суждение и управление неопределенностью

Системы ИИ обычно используют байесовскую теорию или теорию доверия Демстера–Шафера для обработки вероятностных рассуждений. В то время как байесовская теория присваивает точные числовые вероятности, теория доверия подчеркивает силу доказательств и моделирование неопределенности.

В шумных и неполных данных, таких как криптовалютные рынки, функции доверия обеспечивают более гибкую структуру для представления неизвестных. В этой работе применяется непайесовский подход для оценки надежности рыночных сигналов.

3. Методология и подход

Предлагаемая система называется Crypto-Game-Belief Framework. Она состоит из модульных компонентов, обрабатывающих рыночные данные, управляемых неопределенностью и разрабатывающих стратегии в симуляционных средах.

3.1 Основные компоненты

Модуль восприятия данных и формирования верований

Система собирает исходные данные, такие как ценовые движения, объем торгов и настроение в социальных сетях. Вместо прямых сигналов на покупку/продажу эти входные данные преобразуются в массы доверия с помощью теории доверия Демстера–Шафера.

Например, бычий технический индикатор становится взвешенным доказательством, а не фиксированной вероятностью. Это позволяет модели моделировать нерешительность при противоречивых сигналах.

Креативное решение проблем (CPS) и управление аномалиями

Рынки криптовалют часто сталкиваются с беспрецедентными событиями. Автономные системы требуют возможностей креативного решения проблем для обработки таких нестандартных ситуаций.

Этот модуль обеспечивает адаптивное рассуждение за пределами запомненных паттернов, генерируя логические стратегии в незнакомых контекстах.

Многопользовательская симуляция игры

Выходы доверия поступают в симуляционную среду на основе игры. Агент ИИ соревнуется с другими виртуальными агентами, представляющими разные торговые стратегии.

Используя обучение с подкреплением, агент максимизирует функцию вознаграждения, тестируя стратегии без реальных финансовых рисков.

3.2 План оценки

Гипотетическая рамка оценки включает:

Датасет: почасовые данные BTC и ETH (2018–2023), а также метрики социальных сетей.

Эталонные показатели: стратегия «Купи и держи» и стандартная нейронная сеть LSTM.

Метрики:

Возврат инвестиций (ROI)

Коэффициент Шарпа

Максимальная просадка

Обучение проводится на 70% данных, тестирование — на 30%. Вводятся искусственные сценарии «черных лебедей» (например, внезапное падение на 20%) для проверки адаптивности CPS.

4. Обсуждение

4.1 Практическое применение и доверие

Данная рамка может служить не только автоматизированным инструментом торговли, но и помощником по управлению рисками для институциональных инвесторов. Однако доверие пользователей сильно зависит от объяснимости системы.

Исследования Explainable AI (XAI) показывают, что понятное объяснение значительно повышает доверие. Поэтому вместо простого сигнала «Продать» система должна предоставлять контекстуальные объяснения, например:

«Рыночная неопределенность достигла 80% согласно функциям доверия; риск снижается.»

4.2 Ограничения Затраты на вычисления: Многопользовательские симуляции и обновление доверий требуют значительных вычислительных ресурсов, что может вызывать задержки. Исторические смещения: Искусственный интеллект остается ограниченным историческими паттернами, на которых он обучается. Психологическая сложность человека: Моделирование субъективных человеческих оценок вероятности остается сложной задачей.

4.3 Этические аспекты Использование ИИ в криптовалютных рынках связано с рисками манипуляций. Крупные алгоритмические участники могут использовать рыночные сигналы в неэтичной манере. Финансовые системы на базе ИИ должны соблюдать принципы прозрачности, справедливости и недопущения вреда.

4.4 Перспективы развития Будущие исследования могут интегрировать большие языковые модели (LLMs) для автоматического анализа новостей и научных публикаций. Кроме того, междисциплинарные этические рамки могут способствовать разработке универсальных стандартов этики для торговых ботов.

5. Заключение Криптовалютные рынки представляют собой высокорискованный пересечение технологий и финансов. В этой работе предлагается целостная ИИ-рамка, объединяющая теорию игр, функции доверия Демстера–Шафера и методы креативного решения проблем. Моделируя рынки как динамические интерактивные системы, а не статические наборы данных, эта рамка повышает качество принятия решений в условиях неопределенности. В будущих версиях с функциями объяснимости она может способствовать созданию более прозрачной и доверительной финансовой экосистемы как для индивидуальных, так и для институциональных инвесторов.