A Decentraland közösségi hangulata előre jelezheti a kriptovaluta-árfolyamot

A Decentraland, a Metaverse egyik decentralizált virtuális valóság platformja, saját MANA tokenjével bonyolítja a tranzakciókat és a kormányzást. Egy friss kutatás szerint a token árfolyam-előrejelzését jelentősen javítja, ha a Discord közösségi hangulatát is elemzik a pénzügyi adatok mellett — írja az arXiv-on előnyomtatott formában megjelent tanulmány.

A kutatók a Decentraland Discord közösségének hangulati mintázatait vizsgálták, és értékelték, hogyan befolyásolják a multi-modális jellemzők a token hozamának előrejelzését. Egy BERT-alapú nagy nyelvi modellt (LLM) használtak a hangulatelemzésre, majd két LSTM architektúrát fejlesztettek ki: egy alapmodellt, amely csak a korábbi árakat vette figyelembe, és egy multi-modális változatot, amelybe a hangulati pontszámokat, a kereskedési volument és a piaci kapitalizációt is integrálták.

Az eredmények azt mutatják, hogy a közösségi hangulat túlnyomórészt semleges, enyhe pozitív eltolódással. A multi-modális modell jelentősen felülmúlja az árakra épülő alapmodellt az előrejelzésben. A nagy nyelvi modellek (LLM-ek) képességei egyre szélesebb körben hasznosulnak, például képi és videós bemenetek kezelésére is alkalmassá váltak a tokenizációs módszerek révén, ahogy a Wikipedia is kiemeli.

A sentiment analízis, vagyis a hangulatelemzés, régóta alkalmazott módszer a szöveges adatok érzelmi töltésének felmérésére. Ehhez gyakran használnak gépi tanulási technikákat, mint a látens szemantikus analízis vagy a mélytanulás, amelyek képesek az egyes szavak érzelmi affinitását is azonosítani. A SurveySparrow például egy olyan platform, amely testreszabható felmérésekkel és beépített hangulatelemző eszközökkel gyűjti és értelmezi az ügyfél-visszajelzéseket.

A LLM-ek alkalmazása nem korlátozódik a pénzügyi piacokra. A MedicalBench nevű teljesítményteszt például az elektronikus egészségügyi nyilvántartásokból származó orvosi fogalmak kinyerését értékeli, különös tekintettel az implicit, nem explicit módon megfogalmazott fogalmakra. Egy másik kutatás, a DEL (Digit Entropy Loss) pedig a számok predikciójának pontosságát javítja LLM-ekben, ami a matematikai problémamegoldásban és kódgenerálásban alapvető képesség. A DEL a CodeLlama, Mistral, DeepSeek és Qwen-2.5 modelleken is felülmúlta a korábbi módszereket hét matematikai teljesítményteszten.

A generatív LLM-ek működésének megértését segíti a Probabilistic Attribution For Large Language Models című tanulmány, amely Bayes-tétel alapján elemzi a tokenek kondicionális valószínűségeit. Ez a módszer javítja a LLM-ek interpretálhatóságát, és segít azonosítani a generáció bizonytalan vagy instabil részeit nyolc modell és hét prompt elemzésével.

A Decentraland MANA tokenjének árfolyam-előrejelzésében a multi-modális modell a történelmi árak mellett a közösségi hangulatot, a kereskedési volument és a piaci kapitalizációt is figyelembe veszi, ezzel pontosabb eredményeket ér el.