Tóm tắt Chainfeeds:
Điểm nghẽn trong giao dịch bằng AI không nằm ở mô hình, mà là ở khâu kỹ thuật.
Nguồn bài viết:
https://x.com/Web3Tinkle/status/2007960269235126350
Tác giả bài viết:
Tinkle
Quan điểm :
Tinkle: Sau khi hiểu được quá trình tính toán của các mô hình lớn, một câu hỏi cốt lõi nảy sinh: chính xác thì các mô hình lớn làm gì? Nhìn lên nhìn, có vẻ như chúng đang dự đoán từ tiếp theo; ví dụ, với thời tiết hôm nay, mô hình đưa ra xác suất cao nhất là "tốt", dường như đang dự đoán tương lai. Tuy nhiên, nếu chúng ta phân tích cơ chế bên trong của nó, chúng ta thấy rằng nó thực sự thực hiện ba bước: Đầu tiên, nó mã hóa ngữ cảnh hiện tại thành một vectơ đa chiều; thứ hai, nó tìm kiếm trong không gian tham số mẫu phù hợp nhất với vectơ này; và cuối cùng, nó đưa ra phân phối xác suất tương ứng với mẫu này. Do đó, các mô hình lớn không suy đoán các sự kiện chưa biết, mà là xác định mẫu nào đã biết trong dữ liệu huấn luyện giống nhất với đầu vào hiện tại. Dự đoán là suy đoán sự không chắc chắn của tương lai; nhận dạng là so khớp các mẫu lịch sử. Lý do tại sao các mô hình lớn vượt trội trong lĩnh vực ngôn ngữ là vì bản thân ngôn ngữ tự nhiên có các quy luật thống kê cực kỳ mạnh mẽ và ổn định — sau một số chuỗi từ nhất định, sự phân bố nội dung tiếp theo có tính tập trung cao. Khi bạn đặt câu hỏi cho ChatGPT, nó không "suy nghĩ về câu trả lời", mà là khớp với mẫu ngôn ngữ tương tự nhất với đầu vào của bạn và đưa ra dạng phản hồi phổ biến nhất theo mẫu đó. Thoạt nhìn, nó có vẻ là dự đoán, nhưng về bản chất, đó là nhận dạng mẫu quy mô lớn. Áp dụng logic nhận dạng mẫu này vào thị trường tài chính có vẻ trực quan: mã hóa dữ liệu thị trường thành các vectơ, truy xuất các trạng thái tương tự nhất trong lịch sử và đưa ra phân phối xác suất của các xu hướng tương lai. Tuy nhiên, tồn tại một sự khác biệt cơ bản: tính quy luật thống kê của thị trường tài chính yếu hơn nhiều so với ngôn ngữ tự nhiên. Trong ngôn ngữ, sự không chắc chắn của từ tiếp theo thường rất thấp, trong khi trên thị trường, sự tăng giảm của nến tiếp theo gần như ngẫu nhiên. Lượng lớn nghiên cứu đã chỉ ra rằng các mô hình trên chuỗi thời gian tài chính thường chỉ học được các mẫu yếu như sự hồi quy về giá trị trung bình, và hầu như không có khả năng chống lại các biến động cực đoan thực sự quan trọng. Quan trọng hơn, thị trường rất không ổn định và đối kháng: các mẫu hiệu quả nhanh chóng trở nên không hợp lệ khi cấu trúc người tham gia, hoàn cảnh pháp lý và hành vi vốn thay đổi, và bất kỳ mẫu nào có thể được khai thác một cách có hệ thống sẽ bị xóa sổ bởi các lực lượng chênh lệch giá. Do đó, việc dự đoán trực tiếp sự tăng giảm bằng các mô hình lớn chắc chắn sẽ thất bại. Nhưng điều này không có nghĩa là nhận dạng mẫu không có giá trị trong lĩnh vực tài chính. Mấu chốt là: đừng hỏi giá sẽ đi về đâu, mà hãy hỏi thị trường hiện đang ở trạng thái nào. So với việc dự đoán sự tăng giảm tại một thời điểm duy nhất, việc xác định trạng thái hiện tại của thị trường có tỷ lệ tín hiệu trên nhiễu cao hơn. Thị trường dao động giữa nhiều trạng thái khác nhau, bao gồm dao động biến động thấp, dao động biến động cao, xu hướng tăng, xu hướng giảm và khủng hoảng thanh khoản. Những trạng thái này thường thể hiện các đặc điểm cấu trúc bền vững và có thể nhận dạng được. Dựa trên ý tưởng này, có thể xây dựng một mô hình nhúng trạng thái thị trường: dữ liệu thị trường không đồng nhất có chiều cao được nén thành các vectơ có chiều thấp, làm cho các giai đoạn tương tự gần nhau hơn trong không gian vectơ. Thông qua học so sánh, phân cụm hoặc truy xuất sự tương đồng, có thể xác định thị trường hiện tại gần với trạng thái lịch sử nào hơn, và từ đó đưa ra các lựa chọn chiến lược và kiểm soát rủi ro phù hợp. Giá trị của nó không nằm ở việc nắm bắt mọi biến động thị trường, mà ở việc chủ động giảm vị thế hoặc thoát khỏi thị trường trong các giai đoạn rủi ro cao để tránh thua lỗ hệ thống. Định vị của NoFx xoay quanh khái niệm này, xây dựng lớp nền tảng cho giao dịch AI: tránh những dự đoán thị trường huyền bí của AI, và thay vào đó giúp các nhà giao dịch đưa ra những lựa chọn vững chắc hơn trong các thị trường phức tạp và biến động thông qua việc xác định giai đoạn minh bạch và dễ hiểu cùng với việc ra quyết định có cấu trúc.
Nguồn nội dung 
