Nhóm tiền thưởng nghiên cứu DAOrayaki DAO:

Địa chỉ tài trợ: 0xCd7da526f5C943126fa9E6f63b7774fA89E88d71

Tiến độ bỏ phiếu: Ủy ban DAO 3/7 thông qua

Tổng tiền thưởng: 100USDC

tiêu đề phụ

Nhóm tiền thưởng nghiên cứu DAOrayaki DAO:

Địa chỉ tài trợ: 0xCd7da526f5C943126fa9E6f63b7774fA89E88d71

Tiến độ bỏ phiếu: Ủy ban DAO 3/7 thông qua

Tổng tiền thưởng: 100USDC

Tác giả gốc: BlockScience

Người đóng góp: Natalie, DAOctor @DAOrayaki

Bản gốc: Giới thiệu Thị trường hồi quy tự động (ARM): Cơ chế khám phá giá mới cho tài sản bán linh hoạt

BlockScience đang nghiên cứu và phát triển một cơ chế khám phá giá mới cho các tài sản bán linh hoạt, có chiều cao. Cơ chế này, được gọi là Thị trường hồi quy tự động (ARM), có nhiều ứng dụng tiềm năng ở nhiều thị trường khác nhau; khám phá đầu tiên của chúng tôi sẽ đi sâu vào các trường hợp sử dụng cho thị trường năng lượng có giá trị bền vững như Tín dụng năng lượng tái tạo (REC) và tín dụng bù đắp/loại bỏ carbon (CORC) ) chợ.

Phối hợp với các nhà lãnh đạo ngành DLT tại Hedera Hashgraph và Quỹ HBAR, chúng tôi đang thực hiện một dự án nghiên cứu để lập mô hình và mô phỏng ARM Tín dụng Năng lượng. Chúng ta sẽ xem xét tiềm năng khám phá giá của các nhà tạo lập thị trường cấp dưới, cũng như hành vi cung và cầu của các tài sản có nhiều thuộc tính. Đây là bài đầu tiên trong loạt bài viết về nỗ lực R&D chung này.

tiêu đề phụ

Trong bài báo "Lý thuyết thực tế về tính linh hoạt", chúng tôi đã giới thiệu khái niệm về thị trường hồi quy tự động (ARM). Ý tưởng của ARM là tận dụng sự tương đồng về mặt toán học giữa các mô hình máy học (ML) và các nhà tạo lập thị trường tự động (AMM) để cung cấp khả năng khám phá giá động cho các tài sản phi hàng hóa. Hàng hóa là một tập hợp các đối tượng sao cho các thuộc tính ảnh hưởng đến giá trị được đánh giá và nhu cầu của chúng là tương đương nhau. Tóm lại, hàng hóa có thể hoán đổi cho nhau. Khái niệm này là cốt lõi của cách thức hoạt động của các AMM hiện có - tổng hợp các tài sản có thể thay thế và khám phá giá dựa trên các đường cong thuật toán của chúng. ¹

ARM mở rộng ra ngoài AMM, cho phép mua và bán các tài sản bán thay thế như tín dụng năng lượng hoặc bù đắp/loại bỏ carbon với các thuộc tính khác nhau trên thị trường chính ARM. Điều này cung cấp khả năng khám phá giá hiệu quả cho các sắp xếp thuộc tính rất phức tạp, chẳng hạn như loại sản xuất năng lượng (đối với tín dụng năng lượng), vị trí địa lý, v.v.

Một trong những quan sát quan trọng nhất từ ​​nghiên cứu này là khả năng thay thế của hai hạng mục phụ thuộc vào các thuộc tính của những hạng mục này được cung cấp và bối cảnh mà chúng được đánh giá. Quan sát này giúp chúng tôi hiểu rõ hơn về cung và cầu trên các thị trường bao gồm hàng hóa phi hàng hóa (hoặc "có thể thay thế một phần", xem bên dưới).

Các thuộc tính của mặt hàng đặc trưng cho nhà cung cấp và các mặt hàng được cho là có thể phân biệt được nếu chúng có các thuộc tính khác nhau. Bối cảnh trong đó các thuộc tính của dự án được đánh giá đặc trưng cho phía cầu. Hàng hóa được cho là có thể thay thế trong một môi trường nhu cầu cụ thể nếu sự khác biệt về thuộc tính của hàng hóa không ảnh hưởng đến việc đánh giá chúng và do đó không ảnh hưởng đến nhu cầu đối với những hàng hóa đó. Khả năng thay thế của một số hàng hóa có thể thay thế thay đổi theo môi trường nhu cầu. Ví dụ: nếu một doanh nghiệp muốn mua các khoản tín dụng năng lượng mặt trời được sản xuất ở Tây Bắc Thái Bình Dương của Hoa Kỳ, thì người mua muốn các tài sản không thể thay thế cho các khoản tín dụng được sản xuất ở Châu Á. Khả năng xác định tài sản theo các thuộc tính như địa điểm sản xuất hoặc loại hình sản xuất không chỉ cần thiết đối với nhiều người mua mà còn có thể có tác động rất lớn đến việc định giá các tài sản đó.

Biểu đồ biểu thị biểu đồ phân tán và biểu đồ phân phối của hai thành phần chính đầu tiên của các thuộc tính mô phỏng. Thị trường hồi quy tự động sử dụng phát hiện không gian con thích ứng và hồi quy đệ quy để tự động (tái) khám phá những kết hợp thuộc tính nào có giá trị.

Các trường hợp hiện tại để phát hiện giá bán đồng nhất

Thoạt nhìn, việc tự động hóa các thị trường có thể mua và bán các loại hàng hóa phi hàng hóa có thể thay thế một phần có vẻ xa vời. Tuy nhiên, trong cả ngành công nghiệp và học thuật2, sự hội tụ giữa thị trường và ML được ưu tiên. Thị trường nhà ở tương đối phù hợp với loại hàng hóa bán đồng nhất. Tất cả các ngôi nhà đều có thể phân biệt được, nhưng khi các thuộc tính của chúng đủ giống nhau, chúng có thể được coi là có thể thay thế được (trước khi mua - quyền sở hữu ảnh hưởng đến khả năng thay thế được). Vì những lý do này, nhà cung cấp thị trường bất động sản trực tuyến Zillow có khả năng ngày càng dựa vào ứng dụng AI "Zestimate" của mình để thúc đẩy các quyết định mua hàng.

Zestimate có thể là một trong những ví dụ đầu tiên về trí thông minh lai có thể học hỏi và tạo chiến dịch, nhưng điều quan trọng là phải quan sát bản chất của việc thực hiện mô hình. Zillow đã bắt đầu cung cấp báo giá nhà dựa trên Zestimate của mình, điều này sẽ ảnh hưởng đến thị trường một cách tự nhiên. Nhưng Zestimate vượt ra ngoài việc ước tính giá của một ngôi nhà, nó tạo ra một mức giá bằng cách tác động đến niềm tin của người mua và người bán về giá trị của một ngôi nhà. Bằng cách này, Zestimate đã hoạt động như một nhà tạo lập thị trường ngay cả trước khi Zillow bắt đầu kinh doanh mua nhà dựa trên ước tính của mình.

Mặc dù tiềm năng đổi mới của những công nghệ này là rất lớn, nhưng điều quan trọng là luôn xem xét các tác động hệ thống và bậc hai có thể xảy ra, cũng như các hậu quả không mong muốn tiềm ẩn, khi giới thiệu động lực học máy ra thị trường. Về khía cạnh học thuật của vấn đề này, nhà nghiên cứu AI hàng đầu Michael I. Jordan đã vẽ nên một bức tranh về sức mạnh tổng hợp giữa các công cụ đề xuất và thị trường. Cụ thể, ông chỉ ra tác hại của việc áp dụng một cách ngây thơ các công cụ khuyến nghị đối với các nguồn lực khan hiếm. Ví dụ: đề xuất một mặt hàng có nguồn cung hạn chế cho nhiều người mua sắm làm tăng nhu cầu một cách giả tạo đối với một mặt hàng có thể là một mặt hàng thay thế hoặc thậm chí tốt hơn đối với một số người mua. Tương tự như vậy, một ứng dụng điều hướng đề xuất các phím tắt băng thông thấp cho nhiều trình điều khiển có thể gây tắc nghẽn nghiêm trọng.

Bản chất của thuật toán AI là nén thông tin phong phú thành một dạng ngắn gọn, nhưng thay vào đó, thị trường là nơi tạo ra thông tin phong phú vì nó khai thác tính không đồng nhất của cơ sở người mua rộng lớn. Nếu các thuật toán AI được phép thống trị hệ thống, nó sẽ trở nên lỗi thời, vì các công cụ đề xuất mạnh làm giảm sự đa dạng của sản phẩm và việc người tiêu dùng mất đi sự lựa chọn sẽ làm giảm khả năng thu thập thông tin sở thích từ người tiêu dùng của thị trường. Chúng tôi có thể tạo ra các hệ thống tốt hơn thông qua thử nghiệm nghiêm ngặt và xác nhận thiết kế trong quá trình kỹ thuật.

Các lớp và phiên bản ARM

Khi chúng tôi tiếp tục làm việc trên các mô hình ARM, chúng tôi cần phải rõ ràng về các mục tiêu của mình. Mục tiêu của chúng tôi là cân bằng sức mạnh nén của máy học với sức mạnh khám phá của thị trường để tạo điều kiện thuận lợi cho các dạng thị trường năng lượng chiều cao mới (trong số các trường hợp sử dụng khác). Như chúng tôi đã đề cập trong bài viết về khả năng thay thế của mình, điều này được hiểu chính thức nhất trong bối cảnh học tập trực tuyến. Công việc của chúng tôi về các trò chơi kinh tế với tư cách là công cụ ước tính và nhà tạo lập thị trường chức năng không đổi (CFMM) với tư cách là nhà tiên tri cho thấy rằng một số loại mô hình định giá thuật toán thông minh nhất định có thể được hiểu là hoạt động xử lý tín hiệu tìm hiểu cách thị trường định giá hàng hóa và dịch vụ (Hàng hóa trong những trường hợp này) - "Theo ngữ cảnh Các mặt hàng".

Con đường phía trước cho R&D của ARM yêu cầu chúng ta coi nó như một "lớp" trong đó mỗi "thực thể" phù hợp với miền cụ thể của nó. Trong học máy, điều này bao gồm lựa chọn mô hình, kỹ thuật tính năng, tối ưu hóa siêu tham số, quần thể và các tùy chỉnh khác được các nhà khoa học dữ liệu áp dụng để phù hợp với một mô hình cụ thể cho một miền vấn đề cụ thể. Đối với AMM, điều này bao gồm việc chọn một mẫu thiết kế cụ thể, chẳng hạn như Uniswap, Balancer, Curve, v.v. Các CFMM khác nhau này được đặc trưng bởi các bất biến toán học cơ bản khác nhau. Nhưng ngay cả sau khi chọn một loại AMM, vẫn có một số trường hợp duy nhất có nội dung riêng và các tham số meta khác, chẳng hạn như phí và trọng số.

Phải thừa nhận rằng mối quan hệ lớp/trường hợp này là một phần mở rộng tiên tiến của nghiên cứu ARM. Do tính tương tự của nó với ML, chúng tôi hiểu rằng độ khó của việc phát triển và duy trì ARM có thể rất khác nhau, tùy thuộc vào thông tin mà mô hình đang tổng hợp. BlockScience đang hợp tác với Hedera Hashgraph và Sáng kiến ​​bền vững của Quỹ HBAR để thiết kế một phiên bản ARM dành riêng cho thị trường tín dụng năng lượng, vì tài sản tín dụng năng lượng mang lại trường hợp sử dụng tốt cho các dự án có nhiều thuộc tính và giá trị có tác động lớn theo ngữ cảnh.

Một ví dụ về phân cụm dữ liệu ML theo thuộc tính. Trong ARM, các cụm như thế này có thể đại diện cho các thuộc tính tín dụng năng lượng tái tạo và được sử dụng để tạo điều kiện thuận lợi cho việc "phù hợp" giữa môi trường cung và cầu đối với các tài sản bán thay thế. (Nguồn: https://en.wikipedia.org/wiki/Cluster_analysis)

tiêu đề phụ

Tại sao thị trường năng lượng và carbon là trường hợp sử dụng tuyệt vời cho ARM

Hiện tại, các khoản tín dụng năng lượng không thể phân biệt được được mua và bán với số lượng lớn với rất ít tính minh bạch và khả năng kiểm toán. Thị trường năng lượng tái tạo cũng mang tính giả tạo cao, và tín dụng bù đắp/loại bỏ carbon và tín dụng năng lượng tái tạo được giao dịch bởi các nhà môi giới có thể có bối cảnh rất khác nhau. Mặc dù những tài sản này được giao dịch dưới dạng hàng hóa (fungibles), nhưng trên thực tế, giá trị của chúng trên thị trường có thể rất khác nhau tùy thuộc vào địa điểm và cách thức sản xuất năng lượng, phương tiện sản xuất, số lượng và chất lượng của thiết bị được sử dụng, thuộc tính và cách thức sử dụng của chúng. các thuộc tính này được đánh giá trong các bối cảnh khác nhau.

Với ARM, các tài sản này có thể được tách biệt chi tiết hơn, vì thị trường hoặc phía cầu có thể đưa ra các mức giá khác nhau cho các tài sản bán đồng nhất này. Người mua tài sản năng lượng yêu cầu thêm thông tin và khả năng hiển thị về phía cung cấp, thường dựa trên các yêu cầu pháp lý ở các khu vực pháp lý khác nhau. Những người tham gia vào các thị trường này muốn hiểu tài sản nào được tìm kiếm nhiều và tài sản nào phổ biến hơn để thực hiện sức mua trong khi đáp ứng yêu cầu.

Trong ARM, hàng hóa bán thay thế—"các gói" thuộc tính khác nhau—có trọng số khác nhau tùy thuộc vào điều kiện thị trường và hoàn cảnh sản xuất. Điều này sẽ cung cấp thông tin tốt hơn cho thị trường để khớp giữa các thông số cung và cầu - nói cách khác, một thị trường hiệu quả hơn. Ngoài ra, chức năng này có thể cung cấp giá trị bằng cách khám phá các khoản tín dụng năng lượng và carbon trên sổ cái công khai và liên kết chúng với nguồn gốc có thể kiểm tra được thông qua xác minh.

Đảm bảo rằng CORC hoặc REC là duy nhất và đại diện cho việc bù đắp/loại bỏ carbon trên chuỗi hoặc một tài sản năng lượng được tạo ra ngoài chuỗi là một khía cạnh rất quan trọng của đổi mới thị trường này. Một phần cốt lõi của hệ sinh thái Hedera và các sáng kiến ​​bền vững của Quỹ HBAR là Guardian, một giải pháp có thể kiểm tra đầy đủ để xác minh các thuộc tính của tài sản năng lượng. Guardian3 cung cấp bằng chứng về chất lượng cho dữ liệu ngoài chuỗi, bao gồm danh tính phi tập trung, các hành động dựa trên chính sách và thứ tự giao dịch hợp lý. Các thuộc tính này cung cấp một phương tiện để loại bỏ các vấn đề về chất lượng dữ liệu đã được công nhận rộng rãi, chẳng hạn như tính trùng lặp nội dung, gây nhầm lẫn giữa cung và cầu, đồng thời sẽ là trọng tâm của nghiên cứu và phát triển trong việc tự động hóa CORC và REC bằng ARM.

Lợi ích tiềm năng và tác động toàn cầu của thị trường năng lượng ARMing

Quy mô thị trường năng lượng dưới dạng dịch vụ toàn cầu dự kiến ​​sẽ vượt quá 106,6 tỷ USD vào năm 2026 và với tầm quan trọng ngày càng tăng của CORC và REC, những thị trường này đã chín muồi để đổi mới. Cơ chế ARM có thể có tác động lớn đến thị trường tín dụng năng lượng và mở ra một thế giới khả năng mới bằng cách kết nối công nghệ của các nhà tạo lập thị trường tự động với các tài sản biến đổi trong thế giới thực được đại diện trên chuỗi.

ARM có thể cung cấp khả năng tự động hóa, cho phép mở rộng quy mô và mở rộng thị trường năng lượng và giao dịch, thúc đẩy phát triển thị trường và mang lại tiềm năng cho thị trường tương lai. Chi phí cũng có thể giảm đối với các cá nhân, nhà sản xuất năng lượng nhỏ hơn hoặc hợp tác xã, vì họ có thể dễ dàng tổng hợp các mạng phát điện phi tập trung hơn để cung cấp tài sản thế chấp hoặc tài sản mã hóa để đổi lấy tài chính. Với các thị trường mở rộng và hiệu quả hơn cũng như tầm nhìn rõ hơn về sản xuất và các thuộc tính năng lượng, sẽ có nhiều động lực hơn để cải thiện và đầu tư vào cơ sở hạ tầng đáp ứng các tiêu chuẩn hoặc tiêu chuẩn cao hơn hoặc có giá trị hơn theo yêu cầu của thị trường. Khả năng hiển thị tốt hơn đối với nội địa hóa cũng có thể giữ giá trị của sản xuất địa phương trong các ranh giới này thay vì được đưa ra các thị trường lớn hơn.

Tuy nhiên, như với bất kỳ công nghệ hay đổi mới nào, có rất nhiều hiệu ứng dây chuyền chưa được khám phá – bất kỳ ranh giới mới nào cũng tiềm ẩn những hậu quả không mong muốn và tác động hệ thống của các cơ chế thị trường mới. Như đã đề cập trước đó, mục tiêu của chúng tôi là đạt được sự cân bằng giữa sức mạnh nén của ML và sức mạnh khám phá của thị trường. Là một kỹ sư, luôn có sự cân bằng trong thiết kế. Đó là lý do tại sao công việc mô hình hóa và mô phỏng là cực kỳ quan trọng và tại sao chúng tôi sử dụng cadCAD để tối ưu hóa các thiết kế hệ thống phức tạp.

Trực quan hóa không gian nhiều chiều bằng cách sử dụng máy học (Nguồn: https://www.youtube.com/watch?v=wvsE8jm1GzE)

tiêu đề phụ

Lập mô hình ARM với cadCAD

cadCAD (viết tắt của Complex Adaptive Dynamics Computer Aided Design) là một khung mô hình mã nguồn mở để nghiên cứu, xác nhận và thiết kế các hệ thống phức tạp bằng máy tính. Điều này giúp các cá nhân hoặc tổ chức đưa ra quyết định sáng suốt, đã được thử nghiệm kỹ lưỡng về cách tốt nhất để sửa đổi hoặc tương tác với các hệ thống phức tạp để đạt được mục tiêu dự định của họ.

2) Thực thi các quy tắc kế toán, chẳng hạn, để đảm bảo rằng các đối thủ không thể phá sản ARM một cách đơn giản bằng cách bơm ngập nó vào các khoản tín dụng năng lượng không thể bán được.

đề cập đến

Đồng thời, hệ sinh thái Hedera đang phát triển logic ứng dụng cốt lõi cần thiết để triển khai ARM, thực thi logic kinh doanh và hạch toán trên sổ cái công khai Hedera, chẳng hạn như Guardian nguồn mở gần đây của họ để xác thực các khiếu nại trên chuỗi đối với các hành động trong thế giới thực.

Mặc dù chúng tôi sẽ phát triển các yêu cầu kỹ thuật để hỗ trợ triển khai ARM Tín dụng Năng lượng, nhưng kết quả thu được sẽ khái quát hóa cho một loạt các ứng dụng thị trường hai mặt, thay thế một phần trên cơ sở hạ tầng của nó. Hệ sinh thái Hedera không chỉ tập trung vào việc triển khai các phiên bản ARM hoàn toàn tùy chỉnh mà còn tạo ra các mẫu thiết kế ứng dụng ARM cho cơ sở hạ tầng của nó. Điều này sẽ cho phép các ứng dụng tập trung vào các khía cạnh khoa học dữ liệu trong thiết kế ARM của họ và tin tưởng thiết kế thị trường của họ vào việc triển khai và triển khai mạng Hedera.

//www.youtube.com/watch?v=842acSWmBC4&t=1093s

Trong tương lai, các chủ đề như hiệu ứng phụ, khuyến khích cấp hệ thống và các tham số cơ bản khác của cơ chế có thể được nghiên cứu để hiểu rõ hơn về cách ARM "học" và vận hành.

2. Oladunni,tiêu đề phụ

Shorish,đề cập đến

3. https://github.com/hashgraph/guardian