1. Chuyển đổi từ phân tích siêu hình thuộc tính thực thể sang phân tích lý thuyết đồ thị cạnh nút
Sau khi trải qua quá trình đào tạo quy mô lớn và dài hạn về siêu hình học (ở đây đề cập đến kiến thức khái niệm được dạy trong trường học) trong hệ thống trường học hiện đại, chúng ta đã phát triển sự phụ thuộc nghiêm túc vào khuôn khổ phân tích các thực thể và thuộc tính, coi các thực thể và thuộc tính là bản chất của sự vật và quên mất Thực thể-thuộc tính ≠ bản thân sự vật
Lấy các báo cáo báo cáo xếp hạng dự án phổ biến cộng đồng tiền điện tử năm 2018 và 19 làm ví dụ.
→Đơn vị: Dự án A
→Thuộc tính: định vị dự án, không gian thị trường, viễn cảnh mong đợi, nền tảng công nghệ, kiến trúc sản phẩm, đội ngũ, lộ trình
Khung phân tích này là khung dễ phổ biến và dễ hiểu nhất đối với các nhà đầu tư thông thường, nhưng các kết luận rút ra bằng khung phân tích này gần như bị sai lệch hoàn toàn trong thị trường bò vừa qua.
Điều này là do các thuộc tính thực thể trừu tượng hóa một mục cụ thể thành một tồn tại biệt lập, bỏ qua rằng giá trị của một mục đó đến từ kết nối của nó với mạng web3 tổng thể.
Vì vậy, năm nay tôi bắt đầu học cách sử dụng khung phân tích cạnh nút của lý thuyết đồ thị để phân tích giá trị của các dự án web3. Điều này mang lại cho tôi cảm giác giác ngộ, và nhiều khúc mắc đã được giải quyết
Ví dụ: tại sao công nghệ/sản phẩm của EOS dẫn đầu thời đại nhưng lại hoạt động kém hiệu quả trên thị trường trong thị trường bò vừa qua?
Theo khung phân tích thuộc tính thực thể ban đầu, EOS đạt điểm cao hơn nhiều so với Solana/Avalanche/ Polygon
Tuy nhiên, theo khung phân tích cạnh nút , EOS là một nút bị cô lập do thiếu kết nối với hệ sinh thái Ethereum và thiếu kết nối với vốn của Mỹ. Điểm của EOS thấp hơn nhiều so với Solana/Avalanche/ Polygon.
Hiệu suất trong thị trường bò vừa qua vừa xác minh tính chính xác của khung phân tích cạnh nút.
Phân tích nút(lý thuyết đồ thị) là một chủ đề toán học nghiêm túc, tôi sẽ không mở rộng nó ở đây. Những học sinh quan tâm có thể truy cập YouTube hoặc Bilibili để tự học.
Ở đây tôi chỉ trình bày phân tích trung tâm trong khung phân tích cạnh nút và ứng dụng của nó trong việc đánh giá giá trị của các dự án web3.
Phân tích trung tâm là một phương pháp được sử dụng để đo lường tầm quan trọng của nút trong mạng. Nó cố gắng xác định nút nào là trung tâm hơn trong mạng và do đó đóng nhân vật chính trong việc phổ biến thông tin, phổ biến ảnh hưởng, kết nối, v.v. Sau đây là một số chỉ báo trung tâm phổ biến:
Bằng cấp trung tâm
Mức độ trung tâm đề cập đến số lượng kết nối mà một nút có, nghĩa là số cạnh của nó. Mức độ trung tâm của nút càng cao thì nút càng có nhiều kết nối với nút khác.
Khi đánh giá một dự án web3 nhất định, càng có nhiều dự án web3 khác được kết nối thì mức độ trung tâm của nó càng cao.
Trong thế giới crypto hiện tại, dự án có tính trung tâm cao nhất là Bitcoin, tiếp theo là Ethereum, tiếp theo là các CEX như Binance, Coinbase, OKX và các tổ chức phát hành stablecoin như USDT.
Tính gần gũi, tính trung tâm
Tính trung tâm gần gũi đo khoảng cách trung bình của một nút đến nút khác. Nút có khoảng cách trung bình thấp hơn sẽ ở gần trung tâm mạng hơn vì chúng có thể truyền bá thông tin đến nút khác nhanh hơn.
Khi đánh giá một dự án web3, khoảng cách trung bình đến các dự án web3 khác càng ngắn thì tính trung tâm gần gũi của nó càng cao.
Trong thế giới crypto hiện tại, dự án có tính trung tâm cao nhất là Ethereum, tiếp theo là các CEX như Binance, Coinbase và OKX, sau đó là cầu nối xuyên chuỗi như LayerZero và Orbiter.
Tính trung tâm giữa
Tính trung tâm giữa đo lường tần suất một nút đóng vai trò trung gian trong số tất cả các đường dẫn ngắn nhất.
Trong thế giới crypto hiện nay, các dự án có tính trung tâm trung gian cao nhất là cầu nối xuyên chuỗi như LayerZero và Orbiter.
Tính trung tâm của vectơ riêng
Tính trung tâm của Eigenvector tính đến tính trung tâm của một nút và nút được kết nối với nó, nghĩa là tổng các điểm trung tâm của một nút và nút được kết nối với nó
Hiện nay trong thế giới crypto, các dự án có tính trung tâm của vectơ riêng cao nhất là Arbitrum, Optimistim, Starknet, Zksync, Scroll, Taiko và các dự án L2 khác.
Thông qua phân tích tính trung tâm ở trên, chúng ta có thể dễ dàng đánh giá vị trí và tầm quan trọng của một dự án web3 nào đó trong toàn bộ mạng giá trị web3
2. Chuyển từ phân tích chuỗi nhân quả sang phân tích tương quan xác suất
Nếu khung phân tích siêu hình về các thực thể và thuộc tính là dấu ấn tư tưởng được giáo dục phổ thông hiện đại in vào tâm trí chúng ta, thì khung phân tích chuỗi nhân quả A-BCD bắt nguồn từ cấu trúc sinh lý và phương pháp làm việc của bộ não chúng ta.
Nói một cách đơn giản, cấu trúc sinh lý và phương pháp làm việc của bộ não chúng ta rất giống với kiến trúc và phương pháp làm việc của AI nên AI còn được gọi là mạng lưới thần kinh nhân tạo.
Thuật toán, tỷ lệ băm và dữ liệu là ba yếu tố để AI học hỏi kiến thức và chúng cũng là ba yếu tố để bộ não chúng ta học hỏi kiến thức.
Sự khác biệt là tỷ lệ băm của AI gấp N lần bộ não của chúng ta. Để đảm bảo tính sẵn sàng của việc học, bộ não không ngừng tìm kiếm các thuật toán tiết kiệm năng lượng và dễ sử dụng trong quá trình tương tác với hoàn cảnh, và phân tích chuỗi nhân quả là trong đó trong số đó.
Phân tích chuỗi nhân quả đủ hữu ích trong cuộc sống hàng ngày và có thể giúp cá nhân chúng ta giải quyết nhiều vấn đề khác nhau trong cuộc sống và công việc.
Nhưng sẽ có vấn đề lớn nếu bạn bị ám ảnh bởi việc phân tích chuỗi nhân quả trong các giao dịch trên thị trường tài chính.
Sau lần thị trường tăng vọt hoặc sụp đổ, các phương tiện truyền thông/nhà giao dịch thường gán cho nó một hoặc nhiều lý do. Ví dụ: Big A đổ lỗi cho sự sụt giảm gần đây là do dòng vốn chảy ra phía bắc và thị trường crypto đổ lỗi cho sự sụt giảm gần đây là do công ty SpaceX của Musk đang thanh lý Bitcoin.
Sau đó, chúng ta cố gắng hết sức để tìm ra một sự kiện và xu hướng thị trường nhất định, cố gắng nắm bắt luật trong đó quả để thực hiện giao dịch chênh lệch giá. Đây là một loại hành vi tư duy giao dịch.
Giao dịch trên thị trường tài chính là khi chúng ta, với tư cách cá nhân, phải đối mặt với sự không chắc chắn của thế giới thực. Chúng ta nên sử dụng phương pháp phân tích tương quan xác suất để hiểu nó.
Phương pháp chuỗi thời gian tài chính cũng là một môn học nghiêm túc. Sinh viên quan tâm có thể lên YouTube hoặc Bilibili để tìm hiểu.
Phương pháp chuỗi thời gian tài chính giới thiệu bao gồm AR và MR. Tôi đã giải thích chi tiết phương pháp phân tích này trong các tweet trước và sẽ không đi sâu vào chi tiết ở đây.
3. Chuyển từ phân tích tường thuật sang phân tích chuyên ngành sang phân tích dịch tễ học
Ngành công nghiệp crypto bị ảnh hưởng sâu sắc bởi hai cuốn sách bán chạy nhất "Tinh thần động vật" và "Kinh tế tự sự". Nó thường tin vào chủ nghĩa tối đa tường thuật, và tôi là trong đó trong số đó.
Bất cứ khi nào tôi nhìn thấy những câu chuyện phi tập trung , web3, cách mạng mô hình, nguyên thủy mới, phân lớp, công bằng, v.v. trong Sách trắng , tôi không khỏi phấn khích và có cảm giác vinh dự, thiêng liêng khi tham gia vào một quá trình lịch sử vĩ đại , rồi bắt đầu đưa dự án vào thực tế. Lời tường thuật tương đương với giá trị của dự án.
Các dự án Web3 từ Ấn Độ rất giỏi trong việc tận dụng điều này, chẳng hạn như câu chuyện “Lớp giá trị Internet” của Polygon, chẳng hạn như câu chuyện “ZK Magna Carta” của ZkSync và họ rất giỏi trong việc vận dụng nỗi ám ảnh vô thức chung ngành công nghiệp crypto với câu chuyện để bắt đầu bánh đà tăng trưởng định giá.
Những thiếu sót của chủ nghĩa tối đa tường thuật ngành công nghiệp crypto là ứng xử mọi thứ theo cách tĩnh và biệt lập, ủng hộ một sức mạnh phi lý và thơ mộng.
Tin vào chủ nghĩa tối đa tường thuật, rất dễ bị tước đi giá trị bởi một số dự án lớn và trống rỗng, không có tiện ích thiết thực, chẳng hạn như chuỗi công khai mô-đun , bảo mật chia sẻ ZK, v.v.
Vì vậy, chúng ta cần sử dụng phương pháp phân tích dịch tễ học để bổ sung cho điều này. Trên thực tế, cuốn sách "Kinh tế tường thuật" cũng dành nhiều chỗ cho phân tích dịch tễ học để phân tích cách các câu chuyện thúc đẩy nền kinh tế.
Phân tích dịch tễ học cũng là một môn học nghiêm túc. Sinh viên quan tâm có thể lên YouTube hoặc Bilibili để tự học.
Để phân tích cộng đồng tiền điện tử, chúng ta chỉ cần hiểu mô hình SIR
Mô hình SIR là mô hình dịch tễ học được sử dụng để mô tả sự lây lan của các bệnh truyền nhiễm trong cộng đồng. Mô hình này chia dân số thành ba loại chính: Dễ nhiễm, Truyền nhiễm và Đã phục hồi
Những danh mục này đại diện cho các trạng thái khác nhau trong một cộng đồng, vì mọi người có thể chuyển từ trạng thái dễ bị tổn thương sang bị nhiễm bệnh và sau đó hồi phục theo thời gian.
Dưới đây là giải thích về ba loại chính trong mô hình SIR:
- Dễ mắc bệnh: Đây là những cá nhân trong quần thể chưa mắc bệnh. Họ có rủi ro cơ bị nhiễm bệnh sau khi tiếp xúc với người bị nhiễm bệnh
- Truyền nhiễm: Đây là những cá nhân đã bị nhiễm bệnh và có thể truyền bệnh cho những người dễ mắc bệnh. Trong một khoảng thời gian, người nhiễm bệnh có thể truyền bệnh và sau đó chuyển sang trạng thái hồi phục.
- Đã hồi phục: Đây là cá nhân đã khỏi bệnh và không còn khả năng lây lan bệnh. Sau khi một cá nhân hồi phục, họ thường có được khả năng miễn dịch với bệnh, tùy thuộc vào tính chất của bệnh cụ thể.
Phương trình vi phân cơ bản của mô hình SIR mô tả xu hướng thay đổi ở những người dễ mắc bệnh, những người bị nhiễm bệnh và đã hồi phục.
Sử dụng mô hình SIR để phân tích các khoản đầu tư crypto, chúng ta chỉ cần thay thế những người dễ bị tổn thương, những người bị nhiễm bệnh và những người đã phục hồi tương ứng bằng các nhà đầu tư tiềm năng, nhà đầu tư hiện tại và nhà đầu tư rút lui.
