تأثیر ChatGPT بر دارایی‌های رمزنگاری مرتبط با هوش مصنوعی: شواهدی از تحلیل کنترل ترکیبی

فهرست مطالب

1 مقدمه

راه‌اندازی ChatGPT توسط OpenAI در 30 نوامبر 2022، نمایانگر لحظه‌ای تحول‌آفرین در توسعه هوش مصنوعی است. این مدل زبان بزرگ پیشرفته مبتنی بر ترنسفورمر، قابلیت‌های پردازش زبان طبیعی بی‌سابقه‌ای را نشان داد و به دستاوردهای قابل‌توجهی از جمله قبولی در آزمون‌های حرفه‌ای و دستیابی به بیش از 100 میلیون کاربر فعال در عرض دو ماه - سریع‌ترین پایگاه کاربری در تاریخ - دست یافت.

این فناوری انقلابی، توسعه تجاری هوش مصنوعی را تحریک کرد و ابتکارات دیجیتالی‌سازی در سراسر صنایع را تسریع بخشید. پوشش رسانه‌ای بر ادغام بالقوه در موتورهای جستجوی اصلی تأکید کرد و واکنش‌های رقابتی از غول‌های فناوری مانند گوگل و Baidu را برانگیخت. این تحولات نشان‌دهنده افزایش ارزش درک‌شده فناوری هوش مصنوعی در میان سرمایه‌گذاران بود، به‌ویژه بر دارایی‌های رمزنگاری مرتبط با هوش مصنوعی که مستقیماً به ChatGPT مرتبط نبودند تأثیر گذاشت.

2 روش‌شناسی

2.1 تفاوت‌در-تفاوت ترکیبی

این مطالعه از روش تفاوت‌در-تفاوت ترکیبی برای جداسازی اثر علی راه‌اندازی ChatGPT بر بازده ارزهای رمزنگاری مرتبط با هوش مصنوعی استفاده می‌کند. این رویکرد عناصر روش‌های کنترل ترکیبی را با برآورد تفاوت‌در-تفاوت ترکیب می‌کند تا یک گروه کنترل وزنی ایجاد کند که با ویژگی‌های پیش از درمان گروه درمان به‌طور نزدیک مطابقت دارد.

2.2 جمع‌آوری داده‌ها

داده‌ها از چندین صرافی ارز رمزنگاری برای توکن‌های مرتبط با هوش مصنوعی که از طریق وایت‌پیپرها، توصیف‌های پروژه و دسته‌بندی جامعه شناسایی شدند، جمع‌آوری شد. دوره نمونه شش ماه قبل و بعد از راه‌اندازی ChatGPT را پوشش می‌دهد، با داده‌های روزانه قیمت و حجم معاملات. داده‌های حجم جستجوی گوگل برای اصطلاحات مرتبط با هوش مصنوعی به عنوان نماینده توجه سرمایه‌گذاران عمل کرد.

3 نتایج

3.1 اثرات ChatGPT بر بازده

تحلیل "اثرات ChatGPT" قابل‌توجهی را نشان می‌دهد که در آن دارایی‌های رمزنگاری مرتبط با هوش مصنوعی بازده متوسط 10.7% تا 15.6% را در دوره یک‌ماهه پس از راه‌اندازی و 35.5% تا 41.3% را در دوره دو‌ماهه تجربه کردند. این اثرات پس از کنترل روندهای کلی بازار ارزهای رمزنگاری و سایر عوامل مخدوش‌کننده باقی می‌مانند.

3.2 تحلیل حجم جستجوی گوگل

حجم جستجوی گوگل برای اصطلاحات مرتبط با هوش مصنوعی به عنوان شاخص‌های قیمت‌گذاری حیاتی پس از راه‌اندازی ChatGPT ظاهر شد. تحلیل همبستگی روابط مثبت قوی بین جهش‌های حجم جستجو و حرکات قیمت بعدی در دارایی‌های رمزنگاری مرتبط با هوش مصنوعی را نشان می‌دهد، که نشان می‌دهد توجه سرمایه‌گذاران خرد واکنش‌های بازار قابل‌توجهی را هدایت کرده است.

4 پیاده‌سازی فنی

4.1 چارچوب ریاضی

تخمین‌گر تفاوت‌در-تفاوت ترکیبی را می‌توان به صورت زیر فرموله کرد:

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

که در آن $Y_{1t}$ نمایانگر نتیجه برای واحد تحت درمان، $Y_{jt}$ برای واحدهای کنترل، $\hat{w}_j$ وزن‌های کنترل ترکیبی، $T_0$ دوره پیش از درمان و $T_1$ دوره پس از درمان است.

4.2 پیاده‌سازی کد

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

def synthetic_did(treatment_series, control_matrix, pre_periods):
    """
    پیاده‌سازی تخمین تفاوت‌در-تفاوت ترکیبی
    """
    # محاسبه وزن‌های کنترل ترکیبی
    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_
    
    # محاسبه سری کنترل ترکیبی
    synthetic_control = weights @ control_matrix
    
    # محاسبه اثر درمان
    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 تحلیل اصلی

تحقیق Saggu و Ante (2023) شواهد قانع‌کننده‌ای از اثرات سرریز فناوری در بازارهای ارز رمزنگاری ارائه می‌دهد، و نشان می‌دهد که چگونه پیشرفت‌های انقلابی هوش مصنوعی می‌توانند外部های ارزش‌گذاری در سراسر دارایی‌های دیجیتال مرتبط ایجاد کنند. یافته‌ها با نظریه قیمت‌گذاری دارایی مبتنی بر توجه پیشنهاد شده توسط Barber و Odean (2008) همسو است، جایی که سرمایه‌گذاران خرد به‌طور نامتناسبی سهام جلب‌کننده توجه را می‌خرند. در زمینه دارایی‌های رمزنگاری هوش مصنوعی، ChatGPT به عنوان یک شوک توجه عظیم عمل کرد که سرمایه سرمایه‌گذاران را به سمت اکوسیستم گسترده‌تر هوش مصنوعی هدایت کرد.

از نظر روش‌شناسی، این مطالعه با به‌کارگیری تکنیک‌های تفاوت‌در-تفاوت ترکیبی، تحقیق ارز رمزنگاری را پیش می‌برد، و بر چارچوب کنترل ترکیبی توسعه‌یافته توسط Abadie و همکاران (2010) بنا می‌شود. این رویکرد چالش‌های اساسی در مطالعات رویداد ارز رمزنگاری را مورد توجه قرار می‌دهد، جایی که گروه‌های کنترل سنتی به دلیل ویژگی‌های منحصر به فرد دارایی‌های رمزنگاری دشوار هستند. این روش‌شناسی شباهت‌هایی با رویکردهای استفاده‌شده در مطالعه اثرات پذیرش فناوری در مالی سنتی دارد، مانند تأثیر پلتفرم‌های معاملاتی موبایل بر مشارکت بازار که توسط Shiller (2015) مستند شده است.

میزان اثرات مشاهده‌شده - ranging از 35.5% تا 41.3% در طول دو ماه - به‌طور قابل‌توجهی از اثرات اعلام فناوری معمول در بازارهای سنتی فراتر می‌رود. این تقویت احتمالاً حساسیت خاص بازارهای ارز رمزنگاری به پویایی‌های روایت و توجه را منعکس می‌کند، همان‌طور که توسط Shiller (2017) در کارش بر روی اقتصاد روایی تئوریزه شده است. نتایج نشان می‌دهد که دارایی‌های رمزنگاری مرتبط با هوش مصنوعی به عنوان شرط‌های خالص روی پیشرفت فناوری هوش مصنوعی عمل می‌کنند، که آن‌ها را به‌ویژه در برابر تحولات در فناوری‌های هوش مصنوعی مجاور آسیب‌پذیر می‌سازد.

یافته‌های حجم جستجوی گوگل تحقیق توسط Da و همکاران (2011) در مورد شاخص FEARS را تکمیل می‌کند، و نشان می‌دهد که معیارهای توجه مبتنی بر جستجو به‌طور مؤثر حرکات قیمت محرک خرد در دارایی‌های سفته‌بازی را پیش‌بینی می‌کنند. تداوم اثر ChatGPT در طول دو ماه، کارایی بازار فرم قوی در بازارهای ارز رمزنگاری را به چالش می‌کشد، که با فرضیه بازار انطباقی پیشنهاد شده توسط Lo (2004) سازگار است. این پیامدهای مهمی برای چارچوب‌های نظارتی و حفاظت از سرمایه‌گذار در بازارهای دارایی دیجیتال به سرعت در حال تحول دارد.

6 کاربردهای آینده

روش‌شناسی و یافته‌ها چندین کاربرد مهم برای تحقیق و عمل آینده دارند:

• نظارت بر بازار بلادرنگ: توسعه سیستم‌های خودکاری که تحولات فناوری و اثرات سرریز بالقوه آن‌ها بر طبقات دارایی مرتبط را ردیابی می‌کنند
• توسعه چارچوب نظارتی: آگاه‌سازی تصمیمات سیاستی درباره حفاظت از سرمایه‌گذار در حرکات بازار محرک فناوری
• بهبود استراتژی سبد: ایجاد استراتژی‌های کمی که به طور سیستماتیک اثرات سرریز فناوری را ثبت می‌کنند
• تحلیل cross-asset: گسترش روش‌شناسی برای مطالعه ارتباطات متقابل بین تحولات فناوری و ابزارهای مالی مختلف
• ادغام هوش مصنوعی: توسعه سیستم‌های هوش مصنوعی که می‌توانند اثرات مرتبه دوم پیشرفت‌های فناوری را پیش‌بینی کنند

جهت‌های تحقیق آینده شامل بررسی تداوم این اثرات، تحلیل تأثیرات تفاضلی در سراسر زیربخش‌های مختلف ارز رمزنگاری هوش مصنوعی، و توسعه سیستم‌های هشدار زودهنگام برای حرکات بازار محرک توجه است.

7 مراجع

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.