تأثير ChatGPT على الأصول المشفرة المرتبطة بالذكاء الاصطناعي: أدلة من تحليل التحكم الاصطناعي

2.1 الفروق في الاختلافات الاصطناعية

تستخدم الدراسة منهجية الفروق في الاختلافات الاصطناعية (SDID)، التي تجمع بين عناصر التحكم الاصطناعي ونهج الفروق في الاختلافات. تبني هذه الطريقة مزيجاً مرجحاً من وحدات التحكم يتطابق بشكل وثيق مع خصائص وحدة المعالجة قبل العلاج.

يمكن تمثيل مقدر SDID كالتالي:

$\hat{\tau}_{sdid} = \left(\sum_{t=T_0+1}^T Y_{1t} - \sum_{t=T_0+1}^T \hat{Y}_{1t}^{syn}\right) - \left(\sum_{t=1}^{T_0} Y_{1t} - \sum_{t=1}^{T_0} \hat{Y}_{1t}^{syn}\right)$

حيث تمثل $Y_{1t}$ النتيجة المرصودة لوحدة المعالجة، و$\hat{Y}_{1t}^{syn}$ هو توقع التحكم الاصطناعي، و$T_0$ تشير إلى نقطة التدخل (إطلاق ChatGPT).

2.2 جمع البيانات

يتضمن التحليل:

• بيانات الأسعار اليومية للعملات المشفرة المرتبطة بالذكاء الاصطناعي
• حجم البحث في جوجل للكلمات المفتاحية المرتبطة بالذكاء الاصطناعي
• مقاييس القيمة السوقية وحجم التداول
• مجموعة تحكم من العملات المشفرة غير المرتبطة بالذكاء الاصطناعي

تمتد البيانات لمدة 6 أشهر قبل الإطلاق وشهرين بعد الإطلاق لالتقاط كل من الآثار الأساسية وآثار العلاج.

3.1 تأثيرات ChatGPT على العوائد

يكشف التحليل عن آثار إيجابية كبيرة على أصول العملات المشفرة المرتبطة بالذكاء الاصطناعي:

• بعد شهر من الإطلاق: متوسط عوائد من 10.7% إلى 15.6%
• بعد شهرين من الإطلاق: متوسط عوائد من 35.5% إلى 41.3%
• الدلالة الإحصائية: p < 0.01 عبر جميع النماذج

استمرت هذه الآثار بعد التحكم في الاتجاهات العامة للسوق والعوامل الخاصة بالعملات المشفرة.

3.2 تحليل حجم البحث في جوجل

برز حجم البحث في جوجل للمصطلحات المرتبطة بالذكاء الاصطناعي كمؤشر تسعير حاسم بعد إطلاق ChatGPT:

• زاد حجم البحث بنسبة 247% لمصطلح "عملة الذكاء الاصطناعي المشفرة"
• ارتباط قوي بين حجم البحث وتقدير السعر (r = 0.78)
• تنبأ حجم البحث بـ 61% من تباين العوائد في فترة ما بعد العلاج

تشير النتائج إلى أن اهتمام المستثمرين وسّط تأثير ChatGPT على تقييمات السوق.

4.1 الإطار الرياضي

يتم تحديد أوزان التحكم الاصطناعي عن طريق تقليل المسافة بين خصائص ما قبل العلاج:

$\min_{w} \sqrt{(X_1 - X_0w)'V(X_1 - X_0w)}$

بشرط $w_j \geq 0$ و$\sum_{j=2}^{J+1} w_j = 1$، حيث تحتوي $X_1$ على خصائص ما قبل العلاج للوحدة المعالجة، وتحتوي $X_0$ على خصائص ما قبل العلاج لوحدات التحكم، و$V$ هي مصفوفة قطرية بأوزان الميزات.

4.2 تنفيذ الكود

import numpy as np
import pandas as pd
from scipy.optimize import minimize

class SyntheticControl:
    def __init__(self, treatment_unit, control_units, pre_periods):
        self.treatment = treatment_unit
        self.control = control_units
        self.pre_periods = pre_periods
    
    def fit(self):
        # خصائص ما قبل العلاج
        X1 = self.treatment[:self.pre_periods].mean()
        X0 = self.control[:self.pre_periods].mean(axis=1)
        
        # التحسين لإيجاد الأوزان
        def objective(w):
            return np.sqrt((X1 - X0 @ w).T @ (X1 - X0 @ w))
        
        constraints = [{'type': 'eq', 'fun': lambda w: np.sum(w) - 1}]
        bounds = [(0, 1) for _ in range(len(self.control))]
        
        result = minimize(objective, 
                         x0=np.ones(len(self.control))/len(self.control),
                         bounds=bounds,
                         constraints=constraints)
        
        self.weights = result.x
        return self.weights
    
    def predict(self, post_periods):
        synthetic_control = self.weights @ self.control[post_periods]
        return synthetic_control