作者：revelointel 來源：substack 翻譯：善歐巴，金色財經
AI是目前加密貨幣領域最強大的敘事之一，如果不是最強大的話；而且它在短期內不會消失。就在昨天，蘋果宣布與OpenAI進行重大整合，將生成性AI應用帶到使用者手中。 NVDA（英偉達）持續飆升，引起了希望更多接觸產業的加密貨幣原生人士的興趣。雖然加密貨幣中確實有對鄰近資產的需求，但實際上將AI納入營運的項目並不多…
在本文中，我們將重點放在Bumper。 Bumper以保護下行風險為初始前提，正在將AI引向一個新方向。 Bumper是一個新穎的DeFi協議，透過提供一種簡單、公平且去中心化的對沖價格風險的方法，來增強傳統衍生性商品市場。該協議利用一種損失預防工具，提供對市場崩潰和下行波動的價格保護。 Bumper的理念圍繞在風險市場中建立公平的收益和損失分配程序。與傳統的對抗性市場（通常有贏家和輸家）不同，Bumper的動機是創造一個促進公平和資源正當分配的系統。 Bumper的目的是提供一個互助價格風險設施，優先考慮最小化個人損失而不是最大化個人利潤。透過專注於風險管理和保護，Bumper旨在為DeFi生態系統中的參與者創造一個更安全和可靠的環境。
如你所知，加密貨幣本質上是波動性的；在有效保留上行潛力的同時限制下行風險可能很困難。這是Bumper的AI整合大放異彩的領域；團隊利用AI來幫助預測價格走勢，從而為用戶提供更高的收益、更低的保費、提高效率和償付能力。
Bumper背景
Bumper是一個典型的致力於透過AI來改進其現有協議的專案。正如預期的那樣，Bumper的AI整合策略圍繞著三個關鍵的AI技術棧，每個技術棧旨在解決特定挑戰並增強協定的能力：
-
價格預測
-
情緒分析
-
技術分析
為了驗證其預測模型的準確性和有效性，Bumper採用了專有的基於代理建模（ABM）方法。 ABM是一種計算技術，透過模擬自主代理（如個人、群體或實體）的動作和互動來評估它們對整體系統的影響。這些代理遵循預先定義的規則，並可以根據其經驗和互動進行學習、適應和進化。
代理很重要，因為Bumper作為一個雙邊市場的做市商和接受者運作：一方的用戶通過鎖定底價來對沖風險並支付保費，另一方的用戶存入穩定幣流動性以賺取收益。為了滿足市場雙方的需求，需要優化保費成本的定價：如果太貴，接受者不會參與；如果太便宜，則對做市商來說不具有吸引力，因為他們需要承擔風險。隨著價格波動和波動性的變化，找到一個平衡點變得更加複雜。這就是為什麼Bumper的ABM工具如此重要，因為它可以根據即時波動性動態調整保費價格，吸收LLMs（大型語言模型）的訊號，預見市場趨勢並主動重新平衡。
透過這種支持AI整合策略的ABM方法，Bumper預測其協議效率將經濟性提高5-25%，有效平衡更低保費、更高收益和償付能力強度的三難困境。
價格預測
第一個AI技術堆疊與價格預測相關，利用一個700億參數的大型語言模型（LLM）。 Bumper用金融資料訓練了這個LLM，包含比特幣價格資料集的價格（開盤價、最高價、最低價、收盤價）和成交量指標。 LLM使用人類回饋的強化學習（RLHF）進行微調，獎勵那些與實際價格數據相符的預測模型。下圖展示了使用Bumper的700億參數LLM對比特幣進行價格預測的可視化表示。
最初基於每日開盤價/收盤價進行訓練，後來改為每小時數據，最終目標是納入tick數據以獲得更高的精度。由於$BTC tick資料包含數百TB的資料量，因此它使用檢索增強產生（RAG）將關聯式資料庫資訊轉換為資料向量。 RAG技術不僅提高了LLM效能，還促進了多種即時資產價格資料流的集成，這是RLHF在現有LLM上下文視窗內的關鍵。
情緒分析
第二個AI技術棧專注於情緒分析。透過利用一個預先訓練的80億參數的大型語言模型（LLM），Bumper能夠分析大量的金融自然語言處理（NLP）數據，以前所未有的粒度把握市場情緒。透過微調和先進NLP技術，Bumper獲得了關於投機者態度的寶貴見解，從而更深入地了解市場動態和趨勢。
Bumper的預訓練LLM攝取了廣泛的金融NLP數據，將情緒分類成詳細的評分和分佈，以提供對市場情緒的細緻理解。該模型使用雙向編碼器表示（BERT）進行微調，以標記意見、態度和情感，並透過專門的NLP培訓來識別特定的金融詞彙。
BERT是一種由谷歌開發的最先進的自然語言處理（NLP）模型。它透過同時考慮目標字前後的字來理解句子中字的上下文，而不僅僅是前面的字。這種雙向方法使BERT能夠捕捉到一個字的完整上下文，從而更準確地解釋其意義。
LLM配備了注意力機制，使模型在確定上下文和基於變壓器的結構時能夠權衡句子中不同詞的重要性，從而有效地辨別市場情緒和投資者行為，預測未來的市場趨勢。
技術分析
第三個AI技術堆疊專注於技術分析。 Bumper正在開發一種新方法，透過訓練一個大型語言和視覺助手（LLAVA），將基於視覺的價格影像分析與NLP驅動的技術指標解釋相結合。這種整合使Bumper能夠基於歷史價格數據和市場趨勢做出明智的決策。
該過程包括將歷史比特幣價格數據轉換為圖表圖像。這些影像會標註技術標記，如支撐/阻力位、相對強弱指數（RSI）和移動平均收斂背離（MACD）。 LLAVA模型處理這些視覺資料點和相關的NLP技術指標。
這種端到端的多模態模型將視覺編碼器與大型語言模型（LLM）連接起來，使系統能夠分析和解釋複雜的市場數據。此外，該模型結合了長短期記憶（LSTM）用於歷史時間序列預測，增強了根據過去趨勢預測未來市場走勢的能力。
總結
Bumper計畫透過將AI整合到其DeFi協議中，致力於在加密貨幣市場中提供更有效的風險管理解決方案。該專案利用價格預測、情緒分析和技術分析三大AI技術棧，結合基於代理建模（ABM）的方法，動態調整保費定價以適應即時市場波動。透過這種創新方法，Bumper不僅提高了協議的經濟效率，還為參與者創造了一個更公平、安全和可靠的環境。這些技術的綜合應用預計將使Bumper的協議效率提升5-25%，有效解決了降低保費、提高收益和增強償付能力之間的平衡問題。