Влияние ChatGPT на криптоактивы, связанные с ИИ: анализ методом синтетического контроля

Содержание

1 Введение

Запуск OpenAI ChatGPT 30 ноября 2022 года представляет собой переломный момент в развитии искусственного интеллекта. Эта передовая большая языковая модель на основе трансформеров продемонстрировала беспрецедентные возможности обработки естественного языка, достигнув впечатляющих вех, включая сдачу профессиональных экзаменов и привлечение более 100 миллионов активных пользователей в течение двух месяцев — это самая быстрорастущая пользовательская база в истории.

Эта революционная технология стимулировала коммерческую разработку ИИ и catalyзировала инициативы по цифровизации во всех отраслях. Освещение в СМИ подчеркивало потенциальную интеграцию в основные поисковые системы, что спровоцировало конкурентные ответы от технологических гигантов, таких как Google и Baidu. Эти события сигнализировали о повышенной воспринимаемой ценности технологии ИИ среди инвесторов, особенно затрагивая криптоактивы, связанные с ИИ, не связанные напрямую с ChatGPT.

2 Методология

2.1 Синтетическое двойное различие

В исследовании используется методология синтетического двойного различия для изоляции причинного эффекта запуска ChatGPT на доходность криптовалют, связанных с ИИ. Этот подход сочетает элементы методов синтетического контроля с оценкой двойного различия для создания взвешенной контрольной группы, которая тесно соответствует характеристикам обрабатываемой группы до вмешательства.

2.2 Сбор данных

Данные были собраны с нескольких криптовалютных бирж для токенов, связанных с ИИ, идентифицированных через технические описания, описания проектов и категоризацию сообщества. Период выборки охватывает шесть месяцев до и после запуска ChatGPT, с ежедневными данными о ценах и объемах торгов. Данные о объеме поиска в Google для терминов, связанных с ИИ, служили прокси для внимания инвесторов.

3 Результаты

3.1 Эффекты ChatGPT на доходность

Анализ выявляет значительные «эффекты ChatGPT»: криптоактивы, связанные с ИИ, демонстрировали среднюю доходность от 10,7% до 15,6% в течение одного месяца после запуска и от 35,5% до 41,3% в течение двух месяцев. Эти эффекты сохраняются после контроля обще рыночных тенденций криптовалют и других смешивающих факторов.

3.2 Анализ объема поиска в Google

Объемы поиска в Google для терминов, связанных с ИИ, стали критическими индикаторами ценообразования после запуска ChatGPT. Корреляционный анализ выявляет сильные положительные взаимосвязи между всплесками объема поиска и последующими движениями цен в криптоактивах, связанных с ИИ, что позволяет предположить, что внимание розничных инвесторов вызвало существенные рыночные реакции.

4 Техническая реализация

4.1 Математическая основа

Оценщик синтетического двойного различия можно формализовать как:

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

где $Y_{1t}$ представляет результат для обрабатываемой единицы, $Y_{jt}$ для контрольных единиц, $\hat{w}_j$ — веса синтетического контроля, $T_0$ — период до вмешательства, а $T_1$ — период после вмешательства.

4.2 Реализация кода

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

def synthetic_did(treatment_series, control_matrix, pre_periods):
    """
    Реализация оценки синтетического двойного различия
    """
    # Расчет весов синтетического контроля
    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_
    
    # Расчет ряда синтетического контроля
    synthetic_control = weights @ control_matrix
    
    # Расчет эффекта вмешательства
    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 Оригинальный анализ

Исследование Saggu и Ante (2023) предоставляет убедительные доказательства эффектов перелива технологий на рынках криптовалют, демонстрируя, как прорывные разработки в области ИИ могут создавать экстерналии оценки для связанных цифровых активов. Результаты согласуются с теорией ценообразования активов на основе внимания, предложенной Barber и Odean (2008), согласно которой розничные инвесторы непропорционально покупают акции, привлекающие внимание. В контексте криптоактивов ИИ ChatGPT послужил массивным шоком внимания, который перенаправил капитал инвесторов в сторону более широкой экосистемы ИИ.

Методологически исследование продвигает исследования криптовалют, применяя методы синтетического двойного различия, основываясь на framework синтетического контроля, разработанном Abadie et al. (2010). Этот подход решает фундаментальные проблемы в event-исследованиях криптовалют, где традиционные контрольные группы трудно построить из-за уникальных характеристик криптоактивов. Методология имеет сходство с подходами, используемыми при изучении эффектов внедрения технологий в традиционных финансах, таких как влияние мобильных торговых платформ на участие на рынке, задокументированное Shiller (2015).

Величина наблюдаемых эффектов — от 35,5% до 41,3% за два месяца — значительно превышает типичные эффекты анонсов технологий на традиционных рынках. Это усиление, вероятно, отражает особую чувствительность рынков криптовалют к динамике нарративов и внимания, как теоретизировал Shiller (2017) в своей работе по нарративной экономике. Результаты предполагают, что криптоактивы, связанные с ИИ, функционируют как чистые ставки на технологический прогресс в области ИИ, что делает их особенно восприимчивыми к разработкам в смежных технологиях ИИ.

Результаты по объему поиска в Google дополняют исследование Da et al. (2011) об индексе FEARS, демонстрируя, что меры внимания на основе поиска эффективно предсказывают движения цен, обусловленные розничными инвесторами, в спекулятивных активах. Сохранение эффекта ChatGPT в течение двух месяцев ставит под сомнение эффективность рынка в сильной форме на рынках криптовалют, что согласуется с адаптивной гипотезой рынка, предложенной Lo (2004). Это имеет важные последствия для регуляторных framework и защиты инвесторов на быстро развивающихся рынках цифровых активов.

6 Будущие применения

Методология и выводы имеют несколько важных применений для будущих исследований и практики:

• Мониторинг рынка в реальном времени: Разработка автоматизированных систем, отслеживающих технологические разработки и их потенциальные эффекты перелива на связанные классы активов
• Разработка регуляторных framework: Информирование политических решений о защите инвесторов в условиях технологически обусловленных рыночных движений
• Улучшение портфельных стратегий: Создание количественных стратегий, которые систематически захватывают эффекты технологического перелива
• Кросс-активный анализ: Расширение методологии для изучения взаимосвязей между технологическими разработками и различными финансовыми инструментами
• Интеграция ИИ: Разработка систем ИИ, которые могут предсказывать эффекты второго порядка технологических прорывов

Будущие направления исследований включают изучение устойчивости этих эффектов, анализ дифференциальных воздействий на различные подсекторы криптоактивов ИИ и разработку систем раннего предупреждения для движений рынка, обусловленных вниманием.

7 Ссылки

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.