ChatGPT का AI-संबंधित क्रिप्टो परिसंपत्तियों पर प्रभाव: सिंथेटिक नियंत्रण विश्लेषण से प्रमाण

विषय सूची

1 परिचय

OpenAI के ChatGPT का 30 नवंबर, 2022 को लॉन्च कृत्रिम बुद्धिमत्ता विकास में एक परिवर्तनकारी क्षण का प्रतिनिधित्व करता है। यह अत्याधुनिक ट्रांसफॉर्मर-आधारित बड़े भाषा मॉडल ने अभूतपूर्व प्राकृतिक भाषा प्रसंस्करण क्षमताओं का प्रदर्शन किया, जिसमें पेशेवर परीक्षाओं को पास करना और दो महीने के भीतर 100 मिलियन से अधिक सक्रिय उपयोगकर्ताओं तक पहुंचना जैसे उल्लेखनीय मील के पत्थर शामिल हैं—यह इतिहास में सबसे तेजी से बढ़ने वाला उपयोगकर्ता आधार है।

इस अभूतपूर्व तकनीक ने वाणिज्यिक AI विकास को प्रोत्साहित किया और विभिन्न उद्योगों में डिजिटलीकरण पहलों को उत्प्रेरित किया। मीडिया कवरेज ने प्रमुख सर्च इंजनों में एकीकरण की संभावना पर प्रकाश डाला, जिससे Google और Baidu जैसी तकनीकी दिग्गज कंपनियों से प्रतिस्पर्धी प्रतिक्रियाएं प्राप्त हुईं। इन घटनाक्रमों ने निवेशकों के बीच AI तकनीक के माने गए मूल्य में वृद्धि का संकेत दिया, विशेष रूप से उन AI-संबंधित क्रिप्टो परिसंपत्तियों को प्रभावित किया जो सीधे तौर पर ChatGPT से जुड़े नहीं थे।

2 पद्धति

2.1 सिंथेटिक अंतर-में-अंतर

यह अध्ययन AI-संबंधित क्रिप्टोकरेंसी रिटर्न पर ChatGPT के लॉन्च के कारण प्रभाव को अलग करने के लिए सिंथेटिक अंतर-में-अंतर पद्धति का उपयोग करता है। यह दृष्टिकोण सिंथेटिक नियंत्रण विधियों के तत्वों को अंतर-में-अंतर अनुमान के साथ जोड़ता है ताकि एक भारित नियंत्रण समूह बनाया जा सके जो उपचार समूह की पूर्व-उपचार विशेषताओं से निकटता से मेल खाता हो।

2.2 डेटा संग्रह

व्हाइटपेपर, परियोजना विवरण और समुदाय वर्गीकरण के माध्यम से पहचाने गए AI-संबंधित टोकन के लिए डेटा कई क्रिप्टोकरेंसी एक्सचेंजों से एकत्र किया गया। नमूना अवधि ChatGPT के लॉन्च से छह महीने पहले और बाद के समय को कवर करती है, जिसमें दैनिक मूल्य डेटा और व्यापार मात्रा शामिल है। AI-संबंधित शब्दों के लिए गूगल सर्च वॉल्यूम डेटा निवेशक ध्यान के प्रतिनिधि के रूप में कार्य करता था।

3 परिणाम

3.1 रिटर्न पर ChatGPT के प्रभाव

विश्लेषण से महत्वपूर्ण "ChatGPT प्रभाव" का पता चलता है, जिसमें AI-संबंधित क्रिप्टो परिसंपत्तियों ने लॉन्च के बाद एक-माह की अवधि में 10.7% से 15.6% और दो-माह की अवधि में 35.5% से 41.3% की औसत रिटर्न का अनुभव किया। बाजार-व्यापी क्रिप्टोकरेंसी रुझानों और अन्य भ्रमित करने वाले कारकों को नियंत्रित करने के बाद भी ये प्रभाव बने रहते हैं।

3.2 गूगल सर्च वॉल्यूम विश्लेषण

AI-संबंधित शब्दों के लिए गूगल सर्च वॉल्यूम ChatGPT लॉन्च के बाद महत्वपूर्ण मूल्य निर्धारण संकेतक के रूप में उभरे। सहसंबंध विश्लेषण से पता चलता है कि सर्च वॉल्यूम में उछाल और AI-संबंधित क्रिप्टो परिसंपत्तियों में बाद की मूल्य गतिविधियों के बीच मजबूत सकारात्मक संबंध हैं, जो सुझाव देते हैं कि खुदरा निवेशक ध्यान ने पर्याप्त बाजार प्रतिक्रियाओं को प्रेरित किया।

4 तकनीकी कार्यान्वयन

4.1 गणितीय ढांचा

सिंथेटिक अंतर-में-अंतर अनुमानक को इस प्रकार औपचारिक रूप दिया जा सकता है:

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

जहां $Y_{1t}$ उपचारित इकाई के लिए परिणाम का प्रतिनिधित्व करता है, $Y_{jt}$ नियंत्रण इकाइयों के लिए, $\hat{w}_j$ सिंथेटिक नियंत्रण भार हैं, $T_0$ पूर्व-उपचार अवधि है, और $T_1$ उपचारोत्तर अवधि है।

4.2 कोड कार्यान्वयन

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

def synthetic_did(treatment_series, control_matrix, pre_periods):
    """
    Implement synthetic difference-in-difference estimation
    """
    # Calculate synthetic control weights
    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_
    
    # Calculate synthetic control series
    synthetic_control = weights @ control_matrix
    
    # Calculate treatment effect
    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 मूल विश्लेषण

Saggu और Ante (2023) का शोध क्रिप्टोकरेंसी बाजारों में प्रौद्योगिकी अंतर्वाह प्रभाव के सम्मोहक प्रमाण प्रदान करता है, जो दर्शाता है कि कैसे अभूतपूर्व AI विकास संबंधित डिजिटल परिसंपत्तियों में मूल्यांकन बाह्यities का निर्माण कर सकते हैं। ये निष्कर्ष Barber और Odean (2008) द्वारा प्रस्तावित संपत्ति मूल्य निर्धारण के ध्यान-आधारित सिद्धांत के अनुरूप हैं, जहां खुदरा निवेशक असमान रूप से ध्यान आकर्षित करने वाले स्टॉक खरीदते हैं। AI क्रिप्टो परिसंपत्तियों के संदर्भ में, ChatGPT एक बड़े ध्यान आघात के रूप में कार्य करता था जिसने निवेशक पूंजी को व्यापक AI पारिस्थितिकी तंत्र की ओर पुनर्निर्देशित किया।

पद्धतिगत रूप से, यह अध्ययन Abadie et al. (2010) द्वारा विकसित सिंथेटिक नियंत्रण ढांचे पर निर्माण करते हुए, सिंथेटिक अंतर-में-अंतर तकनीकों को लागू करके क्रिप्टोकरेंसी शोध को आगे बढ़ाता है। यह दृष्टिकोण क्रिप्टोकरेंसी घटना अध्ययनों में मौलिक चुनौतियों का समाधान करता है जहां क्रिप्टो परिसंपत्तियों की अद्वितीय विशेषताओं के कारण पारंपरिक नियंत्रण समूहों का निर्माण करना कठिन होता है। यह पद्धति पारंपरिक वित्त में प्रौद्योगिकी अपनाने के प्रभावों के अध्ययन में उपयोग की जाने वाली दृष्टिकोणों के समान है, जैसे कि Shiller (2015) द्वारा प्रलेखित बाजार भागीदारी पर मोबाइल व्यापार प्लेटफॉर्म के प्रभाव।

दो महीने में देखे गए प्रभावों का परिमाण—35.5% से 41.3% तक—पारंपरिक बाजारों में विशिष्ट प्रौद्योगिकी घोषणा प्रभावों को काफी पीछे छोड़ देता है। यह प्रवर्धन संभवतः क्रिप्टोकरेंसी बाजारों की कथा और ध्यान गतिशीलता के प्रति विशेष संवेदनशीलता को दर्शाता है, जैसा कि Shiller (2017) ने कथा अर्थशास्त्र पर अपने कार्य में सैद्धांतिक रूप से प्रस्तावित किया था। परिणाम सुझाव देते हैं कि AI-संबंधित क्रिप्टो परिसंपत्तियां AI तकनीकी प्रगति पर शुद्ध-खेल दांव के रूप में कार्य करती हैं, जिससे वे आसन्न AI प्रौद्योगिकियों में घटनाक्रमों के प्रति विशेष रूप से संवेदनशील बन जाती हैं।

गूगल सर्च वॉल्यूम निष्कर्ष Da et al. (2011) के FEARS सूचकांक पर शोध के पूरक हैं, जो दर्शाते हैं कि सर्च-आधारित ध्यान माप सट्टा परिसंपत्तियों में खुदरा-संचालित मूल्य गतिविधियों का प्रभावी ढंग से पूर्वानुमान करते हैं। दो महीनों में ChatGPT प्रभाव की निरंतरता क्रिप्टोकरेंसी बाजारों में मजबूत-रूप बाजार दक्षता को चुनौती देती है, जो Lo (2004) द्वारा प्रस्तावित अनुकूली बाजार परिकल्पना के अनुरूप है। इसके तेजी से विकसित हो रहे डिजिटल परिसंपत्ति बाजारों में नियामक ढांचे और निवेशक संरक्षण के लिए महत्वपूर्ण निहितार्थ हैं।

6 भविष्य के अनुप्रयोग

पद्धति और निष्कर्षों के भविष्य के शोध और अभ्यास के लिए कई महत्वपूर्ण अनुप्रयोग हैं:

• वास्तविक-समय बाजार निगरानी: स्वचालित प्रणालियों का विकास जो प्रौद्योगिकी घटनाक्रमों और संबंधित परिसंपत्ति वर्गों पर उनके संभावित अंतर्वाह प्रभावों को ट्रैक करते हैं
• नियामक ढांचा विकास: प्रौद्योगिकी-संचालित बाजार गतिविधियों में निवेशक संरक्षण के बारे में नीतिगत निर्णयों को सूचित करना
• पोर्टफोलियो रणनीति संवर्धन: मात्रात्मक रणनीतियों का निर्माण जो प्रणालीगत रूप से प्रौद्योगिकी अंतर्वाह प्रभावों को कैप्चर करते हैं
• क्रॉस-एसेट विश्लेषण: प्रौद्योगिकी घटनाक्रमों और विभिन्न वित्तीय साधनों के बीच अंतर्संबंधों का अध्ययन करने के लिए पद्धति का विस्तार
• AI एकीकरण: AI प्रणालियों का विकास जो तकनीकी सफलताओं के द्वितीय-क्रम प्रभावों का पूर्वानुमान लगा सकते हैं

भविष्य के शोध दिशाओं में इन प्रभावों की निरंतरता की जांच, विभिन्न AI क्रिप्टो उप-क्षेत्रों में विभेदक प्रभावों का विश्लेषण, और ध्यान-संचालित बाजार गतिविधियों के लिए प्रारंभिक चेतावनी प्रणालियों का विकास शामिल है।

7 संदर्भ

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.