ChatGPT'nin Yapay Zeka İlişkili Kripto Varlıklar Üzerindeki Etkisi: Sentetik Kontrol Analizinden Kanıtlar

İçindekiler

1 Giriş

OpenAI'ın ChatGPT'sinin 30 Kasım 2022'de piyasaya sürülmesi, yapay zeka gelişiminde dönüştürücü bir anı temsil etmektedir. Bu en son teknoloji transformatör tabanlı büyük dil modeli, benzeri görülmemiş doğal dil işleme yetenekleri sergilemiş, profesyonel sınavları geçmek ve iki ay içinde 100 milyondan fazla aktif kullanıcıya ulaşmak da dahil olmak üzere dikkate değer kilometre taşlarına ulaşmıştır—tarihteki en hızlı büyüyen kullanıcı tabanı.

Çığır açan bu teknoloji, ticari yapay zeka gelişimini teşvik etmiş ve sektörler arasında dijitalleşme girişimlerini hızlandırmıştır. Medya kapsamı, büyük arama motorlarına potansiyel entegrasyonu vurgulamış, Google ve Baidu gibi teknoloji devlerinden rekabetçi yanıtlar tetiklemiştir. Bu gelişmeler, yatırımcılar arasında yapay zeka teknolojisinin algılanan değerinin yükseldiğine işaret etmiş, özellikle ChatGPT ile doğrudan bağlantılı olmayan yapay zeka ilişkili kripto varlıkları etkilemiştir.

2 Metodoloji

2.1 Sentetik Farkların Farkı

Çalışma, ChatGPT'nin piyasaya sürülmesinin yapay zeka ilişkili kripto para getirileri üzerindeki nedensel etkisini izole etmek için sentetik farkların farkı metodolojisini kullanmaktadır. Bu yaklaşım, tedavi grubunun tedavi öncesi karakteristiklerine yakından uyan ağırlıklı bir kontrol grubu oluşturmak için sentetik kontrol yöntemleri ile farkların farkı tahmininin unsurlarını birleştirmektedir.

2.2 Veri Toplama

Veriler, beyaz sayfalar, proje açıklamaları ve topluluk kategorizasyonu aracılığıyla tanımlanan yapay zeka ilişkili token'lar için birden fazla kripto para borsasından toplanmıştır. Örneklem periyodu, ChatGPT'nin piyasaya sürülmesinden önceki ve sonraki altı ayı kapsamakta olup, günlük fiyat verileri ve işlem hacimleri içermektedir. Yapay zeka ilişkili terimler için Google arama hacmi verileri, yatırımcı dikkati için vekil gösterge olarak kullanılmıştır.

3 Sonuçlar

3.1 ChatGPT'nin Getiriler Üzerindeki Etkileri

Analiz, yapay zeka ilişkili kripto varlıkların piyasa sürüm sonrası bir aylık dönemde %10,7 ila %15,6 ve iki aylık dönemde %35,5 ila %41,3 ortalama getiriler yaşadığı önemli "ChatGPT etkileri" ortaya koymaktadır. Bu etkiler, tüm piyasa kripto para trendleri ve diğer karıştırıcı faktörler kontrol edildikten sonra da devam etmektedir.

3.2 Google Arama Hacmi Analizi

Yapay zeka ilişkili terimler için Google arama hacimleri, ChatGPT piyasa sürümü sonrasında kritik fiyatlandırma göstergeleri olarak ortaya çıkmıştır. Korelasyon analizi, arama hacmi artışları ile yapay zeka ilişkili kripto varlıklardaki sonraki fiyat hareketleri arasında güçlü pozitif ilişkiler ortaya koymakta, bireysel yatırımcı dikkatinin önemli piyasa tepkilerine yol açtığını düşündürmektedir.

4 Teknik Uygulama

4.1 Matematiksel Çerçeve

Sentetik farkların farkı tahmincisi şu şekilde formüle edilebilir:

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

burada $Y_{1t}$ tedavi edilen birim için sonucu, $Y_{jt}$ kontrol birimleri için sonucu, $\hat{w}_j$ sentetik kontrol ağırlıklarını, $T_0$ tedavi öncesi periyodu ve $T_1$ tedavi sonrası periyodu temsil etmektedir.

4.2 Kod Uygulaması

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

def synthetic_did(treatment_series, control_matrix, pre_periods):
    """
    Sentetik farkların farkı tahminini uygular
    """
    # Sentetik kontrol ağırlıklarını hesapla
    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_
    
    # Sentetik kontrol serisini hesapla
    synthetic_control = weights @ control_matrix
    
    # Tedavi etkisini hesapla
    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 Özgün Analiz

Saggu ve Ante (2023) tarafından yapılan araştırma, kripto para piyasalarında teknoloji yayılma etkilerinin ikna edici kanıtlarını sağlamakta, çığır açan yapay zeka gelişmelerinin ilişkili dijital varlıklar arasında değerleme dışsallıkları nasıl yaratabileceğini göstermektedir. Bulgular, Barber ve Odean (2008) tarafından önerilen dikkat temelli varlık fiyatlandırma teorisi ile uyumludur, burada bireysel yatırımcılar orantısız şekilde dikkat çeken hisseleri satın almaktadır. Yapay zeka kripto varlıkları bağlamında, ChatGPT, yatırımcı sermayesini daha geniş yapay zeka ekosistemine yönlendiren büyük bir dikkat şoku olarak hizmet etmiştir.

Metodolojik olarak, çalışma, Abadie ve diğerleri (2010) tarafından geliştirilen sentetik kontrol çerçevesi üzerine inşa ederek sentetik farkların farkı tekniklerini uygulayarak kripto para araştırmasını ilerletmektedir. Bu yaklaşım, kripto varlıkların benzersiz karakteristikleri nedeniyle geleneksel kontrol gruplarının oluşturulmasının zor olduğu kripto para olay çalışmalarındaki temel zorlukları ele almaktadır. Metodoloji, Shiller (2015) tarafından belgelenen mobil işlem platformlarının piyasa katılımı üzerindeki etkisi gibi geleneksel finansmanda teknoloji benimseme etkilerini incelemek için kullanılan yaklaşımlarla benzerlikler paylaşmaktadır.

Gözlemlenen etkilerin büyüklüğü—iki ay boyunca %35,5 ila %41,3 aralığında—geleneksel piyasalardaki tipik teknoloji duyuru etkilerini önemli ölçüde aşmaktadır. Bu amplifikasyon, Shiller'ın (2017) anlatısal iktisat üzerine çalışmasında teorize edildiği gibi, kripto para piyasalarının anlatı ve dikkat dinamiklerine özel hassasiyetini muhtemelen yansıtmaktadır. Sonuçlar, yapay zeka ilişkili kripto varlıklarının yapay zeka teknolojik ilerlemesi üzerine saf bahisler olarak işlev gördüğünü, bu da onları komşu yapay zeka teknolojilerindeki gelişmelere özellikle duyarlı hale getirdiğini düşündürmektedir.

Google arama hacmi bulguları, Da ve diğerleri (2011) tarafından FEARS endeksi üzerine yapılan araştırmayı tamamlamakta, arama temelli dikkat ölçümlerinin spekülatif varlıklarda bireysel yatırımcı kaynaklı fiyat hareketlerini etkili şekilde tahmin ettiğini göstermektedir. ChatGPT etkisinin iki ay boyunca devam etmesi, Lo (2004) tarafından önerilen uyarlamalı piyasa hipotezi ile tutarlı olarak, kripto para piyasalarında güçlü form piyasa etkinliğini sorgulamaktadır. Bunun, hızla evrimleşen dijital varlık piyasalarında düzenleyici çerçeveler ve yatırımcı koruması için önemli çıkarımları bulunmaktadır.

6 Gelecek Uygulamalar

Metodoloji ve bulgular, gelecekteki araştırma ve uygulama için birkaç önemli uygulamaya sahiptir:

• Gerçek Zamanlı Piyasa İzleme: Teknoloji gelişmelerini ve ilişkili varlık sınıfları üzerindeki potansiyel yayılma etkilerini izleyen otomatik sistemler geliştirme
• Düzenleyici Çerçeve Geliştirme: Teknoloji kaynaklı piyasa hareketlerinde yatırımcı koruması hakkında politika kararlarını bilgilendirme
• Portföy Stratejisi İyileştirme: Teknoloji yayılma etkilerini sistematik olarak yakalayan nicel stratejiler oluşturma
• Çapraz Varlık Analizi: Teknoloji gelişmeleri ile çeşitli finansal enstrümanlar arasındaki bağlantıları incelemek için metodolojiyi genişletme
• Yapay Zeka Entegrasyonu: Teknolojik atılımların ikinci dereceden etkilerini tahmin edebilen yapay zeka sistemleri geliştirme

Gelecek araştırma yönleri, bu etkilerin devamlılığını incelemeyi, çeşitli yapay zeka kripto alt sektörleri arasında farklı etkileri analiz etmeyi ve dikkat kaynaklı piyasa hareketleri için erken uyarı sistemleri geliştirmeyi içermektedir.

7 Referanslar

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.