Der Einfluss von ChatGPT auf KI-bezogene Krypto-Assets: Evidenz aus der synthetischen Kontrollanalyse

Inhaltsverzeichnis

1 Einleitung

Die Veröffentlichung von OpenAIs ChatGPT am 30. November 2022 stellt einen Wendepunkt in der Entwicklung künstlicher Intelligenz dar. Dieses modernste, transformerbasierte Großsprachmodell demonstrierte beispiellose Fähigkeiten in der natürlichen Sprachverarbeitung und erreichte bemerkenswerte Meilensteine, darunter das Bestehen professioneller Prüfungen und das Erreichen von über 100 Millionen aktiven Nutzern innerhalb von zwei Monaten – die am schnellsten wachsende Nutzerbasis der Geschichte.

Die bahnbrechende Technologie stimulierte die kommerzielle KI-Entwicklung und katalysierte Digitalisierungsinitiativen in verschiedenen Branchen. Medienberichte hoben die potenzielle Integration in große Suchmaschinen hervor, was wettbewerbsbedingte Reaktionen von Tech-Giganten wie Google und Baidu auslöste. Diese Entwicklungen signalisierten einen gestiegenen wahrgenommenen Wert der KI-Technologie unter Investoren, der insbesondere KI-bezogene Krypto-Assets betraf, die nicht direkt mit ChatGPT verbunden sind.

2 Methodik

2.1 Synthetische Differenz-in-Differenzen

Die Studie verwendet die synthetische Differenz-in-Differenzen-Methodik, um den kausalen Effekt des ChatGPT-Starts auf KI-bezogene Kryptowährungsrenditen zu isolieren. Dieser Ansatz kombiniert Elemente synthetischer Kontrollmethoden mit der Differenz-in-Differenzen-Schätzung, um eine gewichtete Kontrollgruppe zu erstellen, die den Vorbehandlungsmerkmalen der Behandlungsgruppe eng entspricht.

2.2 Datenerhebung

Daten wurden von mehreren Kryptowährungsbörsen für KI-bezogene Token gesammelt, die durch Whitepapers, Projektbeschreibungen und Community-Kategorisierungen identifiziert wurden. Der Stichprobenzeitraum umfasst sechs Monate vor und nach dem Start von ChatGPT, mit täglichen Preisdaten und Handelsvolumina. Google-Suchvolumendaten für KI-bezogene Begriffe dienten als Indikator für die Aufmerksamkeit der Anleger.

3 Ergebnisse

3.1 ChatGPT-Effekte auf Renditen

Die Analyse zeigt signifikante "ChatGPT-Effekte" mit durchschnittlichen Renditen KI-bezogener Krypto-Assets von 10,7 % bis 15,6 % im Einmonatszeitraum nach dem Start und 35,5 % bis 41,3 % im Zweimonatszeitraum. Diese Effekte bleiben bestehen, nachdem marktweite Kryptowährungstrends und andere Störfaktoren kontrolliert wurden.

3.2 Analyse des Google-Suchaufkommens

Google-Suchvolumina für KI-bezogene Begriffe erwiesen sich nach dem ChatGPT-Start als kritische Preisindikatoren. Korrelationsanalysen zeigen starke positive Beziehungen zwischen Suchvolumenspitzen und nachfolgenden Preisbewegungen bei KI-bezogenen Krypto-Assets, was darauf hindeutet, dass die Aufmerksamkeit von Privatanlegern erhebliche Marktreaktionen auslöste.

4 Technische Implementierung

4.1 Mathematischer Rahmen

Der synthetische Differenz-in-Differenzen-Schätzer kann formalisiert werden als:

$$\hat{\tau}_{SDID} = \frac{1}{T_1} \sum_{t=T_0+1}^{T} \left[ Y_{1t} - \sum_{j=2}^{J+1} \hat{w}_j Y_{jt} \right] - \frac{1}{T_0} \sum_{t=1}^{T_0} \left[ Y_{1t} - \sum_{j=2}^{J+1} \hat{w}_j Y_{jt} \right]$$

wobei $Y_{1t}$ das Ergebnis für die behandelte Einheit darstellt, $Y_{jt}$ für Kontrolleinheiten, $\hat{w}_j$ synthetische Kontrollgewichte sind, $T_0$ die Vorbehandlungsperiode und $T_1$ die Nachbehandlungsperiode ist.

4.2 Code-Implementierung

import numpy as np
import pandas as pd
from sklearn.linear_model import LinearRegression

def synthetic_did(treatment_series, control_matrix, pre_periods):
    """
    Implementierung der synthetischen Differenz-in-Differenzen-Schätzung
    """
    # Berechnung der synthetischen Kontrollgewichte
    X_pre = control_matrix[:pre_periods]
    y_pre = treatment_series[:pre_periods]
    
    model = LinearRegression(fit_intercept=False, positive=True)
    model.fit(X_pre.T, y_pre)
    weights = model.coef_
    
    # Berechnung der synthetischen Kontrollreihe
    synthetic_control = weights @ control_matrix
    
    # Berechnung des Behandlungseffekts
    post_periods = len(treatment_series) - pre_periods
    treatment_effect = (treatment_series[pre_periods:].mean() - 
                       synthetic_control[pre_periods:].mean())
    
    return treatment_effect, weights, synthetic_control

5 Originalanalyse

Die Forschung von Saggu und Ante (2023) liefert überzeugende Evidenz für Technologie-Spillover-Effekte in Kryptowährungsmärkten und demonstriert, wie bahnbrechende KI-Entwicklungen Bewertungsexternalitäten über verwandte digitale Assets hinweg erzeugen können. Die Ergebnisse stimmen mit der aufmerksamkeitsbasierten Theorie der Vermögenspreisbildung überein, die von Barber und Odean (2008) vorgeschlagen wurde, wonach Privatanleger überproportional aufmerksamkeitserregende Aktien kaufen. Im Kontext von KI-Krypto-Assets diente ChatGPT als massiver Aufmerksamkeitsschock, der Anlegerkapital in Richtung des breiteren KI-Ökosystems umlenkte.

Methodisch erweitert die Studie die Kryptowährungsforschung durch die Anwendung synthetischer Differenz-in-Differenzen-Techniken, basierend auf dem synthetischen Kontrollrahmen von Abadie et al. (2010). Dieser Ansatz adressiert grundlegende Herausforderungen in Kryptowährungs-Ereignisstudien, bei denen traditionelle Kontrollgruppen aufgrund der einzigartigen Charakteristika von Krypto-Assets schwer zu konstruieren sind. Die Methodik weist Ähnlichkeiten mit Ansätzen auf, die bei der Untersuchung von Technologieadoptionseffekten in der traditionellen Finanzwelt verwendet werden, wie etwa die Auswirkungen mobiler Handelsplattformen auf Marktpartizipation, dokumentiert von Shiller (2015).

Die Größenordnung der beobachteten Effekte – im Bereich von 35,5 % bis 41,3 % über zwei Monate – übertrifft signifikant typische Technologieankündigungseffekte in traditionellen Märkten. Diese Verstärkung spiegelt wahrscheinlich die besondere Sensitivität der Kryptowährungsmärkte gegenüber Narrativen und Aufmerksamkeitsdynamiken wider, wie von Shiller (2017) in seiner Arbeit zur narrativen Ökonomie theoretisiert. Die Ergebnisse legen nahe, dass KI-bezogene Krypto-Assets als Pure-Play-Wetten auf den KI-Technologiefortschritt fungieren, was sie besonders anfällig für Entwicklungen in benachbarten KI-Technologien macht.

Die Google-Suchvolumen-Ergebnisse ergänzen die Forschung von Da et al. (2011) zum FEARS-Index und demonstrieren, dass suchbasierte Aufmerksamkeitsmaße preisgetriebene Bewegungen in spekulativen Assets durch Privatanleger effektiv vorhersagen. Die Persistenz des ChatGPT-Effekts über zwei Monate hinweg stellt die starke Form der Markteffizienz in Kryptowährungsmärkten in Frage, was mit der adaptiven Markthypothese von Lo (2004) konsistent ist. Dies hat wichtige Implikationen für regulatorische Rahmenwerke und Anlegerschutz in sich schnell entwickelnden digitalen Asset-Märkten.

6 Zukünftige Anwendungen

Die Methodik und Ergebnisse haben mehrere wichtige Anwendungen für zukünftige Forschung und Praxis:

• Echtzeit-Marktüberwachung: Entwicklung automatisierter Systeme, die Technologieentwicklungen und ihre potenziellen Spillover-Effekte auf verwandte Assetklassen verfolgen
• Entwicklung regulatorischer Rahmenwerke: Informationsgrundlage für politische Entscheidungen zum Anlegerschutz bei technologiegetriebenen Marktbewegungen
• Portfoliostrategieverbesserung: Erstellung quantitativer Strategien, die Technologie-Spillover-Effekte systematisch erfassen
• Cross-Asset-Analyse: Erweiterung der Methodik zur Untersuchung von Verbindungen zwischen Technologieentwicklungen und verschiedenen Finanzinstrumenten
• KI-Integration: Entwicklung von KI-Systemen, die Second-Order-Effekte technologischer Durchbrüche vorhersagen können

Zukünftige Forschungsrichtungen umfassen die Untersuchung der Persistenz dieser Effekte, die Analyse differenzieller Auswirkungen über verschiedene KI-Krypto-Teilmärkte hinweg und die Entwicklung von Frühwarnsystemen für aufmerksamkeitsgetriebene Marktbewegungen.

7 Referenzen

1. Abadie, A., Diamond, A., & Hainmueller, J. (2010). Synthetic control methods for comparative case studies: Estimating the effect of California's tobacco control program. Journal of the American Statistical Association, 105(490), 493-505.
2. Barber, B. M., & Odean, T. (2008). All that glitters: The effect of attention and news on the buying behavior of individual and institutional investors. The Review of Financial Studies, 21(2), 785-818.
3. Da, Z., Engelberg, J., & Gao, P. (2011). In search of attention. The Journal of Finance, 66(5), 1461-1499.
4. Lo, A. W. (2004). The adaptive markets hypothesis: Market efficiency from an evolutionary perspective. Journal of Portfolio Management, 30(5), 15-29.
5. Saggu, A., & Ante, L. (2023). The Influence of ChatGPT on Artificial Intelligence Related Crypto Assets: Evidence from a Synthetic Control Analysis. Finance Research Letters, 103993.
6. Shiller, R. J. (2015). Irrational exuberance. Princeton university press.
7. Shiller, R. J. (2017). Narrative economics. American Economic Review, 107(4), 967-1004.