DAOrayakiDAO研究奖金池：
BlockScience正在研究和开发一种用于高维、半可替代资产的新型价格发现机制。这种被称为自动回归市场(ARM)的机制在各种市场中具有多种潜在应用；我们的第一次探索将深入探讨可持续价值能源市场的用例，例如可再生能源信用(REC)和碳抵消/清除信用(CORC)市场。
与HederaHashgraph和HBAR基金会的DLT行业领导者合作，我们正在开展一项研究项目，以对能源信用ARM进行建模和模拟。我们将研究初级做市商的价格发现潜力，以及具有多种属性的资产的供需行为。这是该联合研发工作系列文章中的第一篇。
什么是ARM？
在我们的论文“可替代性的实用理论”中，我们介绍了自动回归市场(ARM)的概念。ARM的想法是利用机器学习(ML)模型和自动做市商(AMM)之间的数学相似性，为非商品资产提供动态价格发现。商品是一组对象，因此影响其评估价值和需求的属性是等价的。总之，商品是可以互换的。这个概念是现有AMM工作方式的核心——汇集可替代资产并根据其算法曲线发现价格。1
ARM扩展到AMM之外，允许在主要市场ARM上买卖半可替代资产，例如包含不同属性的能源信用或碳抵消/清除。这为高度复杂的属性安排提供了有效的价格发现，例如能源生产类型、地理位置等。
这项工作中最重要的观察结果之一是，两个项目的可替代性取决于所提供的这些项目的属性以及评估这些项目的语境。这一观察有助于我们更好地理解由非商品商品组成的市场的供需关系。
商品属性表征供应方，如果商品具有不同的属性，我们就说它们是可区分的。评估项目属性的语境表征了需求方。如果商品属性的差异不影响他们的评价，从而不影响对这些商品的需求，我们就说商品在特定的需求环境中是可替代的。部分可替代商品的可替代性随需求环境而变化。例如，如果一家企业想要购买在美国太平洋西北部生产的太阳能信贷，买方想要的资产将不能替代在亚洲生产的信贷。通过生产地点或生产类型等属性识别资产的能力不仅对许多购买者来说是必需的，而且可能对这些资产的估值产生巨大影响。
孙宇晨：计划在Curve上引入stUSDT池，共同保护去中心化生态系统:据官方消息，日前，去中心化交易平台(DEX) Curve Finance 遭受黑客攻击事件，引发了市场对整个去中心化金融领域（DeFi）的广泛担忧。对此，波场TRON创始人、火币Huobi全球顾问委员会成员孙宇晨在推特宣布，在 Curve 上引入 stUSDT 池，以帮助恢复其流动性。孙宇晨称，”作为坚定的合作伙伴，我们将继续致力于在需要时（为Curve）提供支持，以扩大用户利益。我们的目标是共同为社区赋能，打造去中心化的金融”。
昨日，孙宇晨就在推特上表态支持陷入危机中的Curve。他表示，“Curve 是区块链行业必不可少的 DeFi 基础设施。我们与受影响的团队和用户同在。作为一个社区，让我们支持并加强安全措施，保护我们的去中心化生态系统”。[2023/8/1 16:11:56]
该图表示模拟属性的前两个主成分分布的散点图和直方图。自动回归市场利用自适应子空间检测和递归回归来动态发现哪些属性组合是有价值的。
半同质价格发现的现有案例
乍一看，能够买卖部分可替代的非商品的市场的自动化似乎有些牵强。然而，在工业界和学术界2，市场和ML之间的融合是有优先权的。住房市场相对自然地适合半同质商品这一分类。房屋都是可区分的，但是当它们的属性足够相似时，它们可能被认为是可替代的。由于这些原因，在线房地产市场提供商Zillow有可能越来越依赖其AI应用程序“Zestimate”来推动购买决策。
Netki与Polymath合作，为Polymesh区块链引入身份验证:8月26日消息，总部位于洛杉矶的KYC-AML监管技术提供商Netki目前正与区块链技术提供商Polymath合作，以将区块链特定的身份验证引入Polymesh。Polymesh是Polymath专门为证券型代币开发的区块链。此次合作将有助于防止创建欺诈账户，同时确保全球用户能够轻松、高效地进入该链。（PR Newswire）[2021/8/26 22:39:41]
Zestimate可能是最早的混合智能示例之一，它既可以从市场活动中学习，也可以创建市场活动，但观察该模型的执行性质非常重要。Zillow已开始基于其Zestimate提供房屋报价，这自然会影响市场。但是，Zestimate不仅仅估算房屋的价格，它还通过影响买卖双方对房屋价值的信念来创造价格。通过这种方式，Zestimate一直在充当做市商，甚至在Zillow根据其估计进入购买房屋的业务之前。
虽然这些技术的创新潜力巨大，但在将机器学习动态引入市场时，考虑可能的系统性和二阶效应以及潜在的意外后果始终很重要。在这个问题的学术方面，领先的AI研究员MichaelI.Jordan为我们描绘了推荐引擎和市场之间协同作用的图景。他特别指出了天真地将推荐引擎应用于稀缺资源所造成的危害。例如，向许多购物者推荐有限供应的商品会人为地夸大相对于某些买家而言可能具有替代性甚至优越性的商品的需求。同样，为许多司机推荐低带宽快捷方式的导航应用程序可能会造成严重的拥堵。
AI算法的本质是将丰富的信息压缩成简洁的形式，但市场反而是丰富信息的生成器，因为它利用了广泛买家群的异质性。如果允许AI算法主导系统，它将变得陈旧，因为强硬的推荐引擎会降低产品的多样性，而消费者选择的丧失又会降低市场从消费者那里获取偏好信息的能力。我们可以在工程过程中通过严格的测试和设计验证来创建更好的系统。
工行“智慧银行旗舰店”已引入区块链等技术:当前，有多家银行打造了5G智能网点、智慧银行旗舰店等新型网点，以推动科技创新与金融服务深度融合，推动线上与线下、远程与现场相结合。而位于北京金融街的工行“智慧银行旗舰店”网点的自助机具已突破传统ATM机功能，引入了5G、区块链、物联网等前沿科技。
该旗舰店的智能服务区，布放着大额现金智能柜员机、远程协同智能柜员机、实时制卡智能柜员机、智能领取机，它们分别可以提供不同票面大额现金处理、远程坐席协同、客户新申请信用卡立等可取、现金实物订单化预约自取等服务。(经济日报)[2020/10/13]
ARM的类和实例
随着我们继续研究ARM模型，我们需要明确我们的目标。我们的目标是平衡机器学习的压缩能力和市场的发现能力，以促进新形式的高维能源市场。正如我们在可替代性论文中提到的，最好在在线学习的背景下正式理解这一点。我们将经济博弈作为估计器和将常数函数做市商(CFMM)作为预言机的工作表明，某些类型的智能算法定价模型可以被解释为信号处理操作，它学习市场如何为商品和服务定价——“语境商品”。
ARM研发的前进道路要求我们将其视为一个“类”，其中各个“实例”适合其特定领域。在机器学习中，这包括模型选择、特征工程、元参数优化、集成和数据科学家应用的其他定制，以将特定模型适合特定问题域。对于AMM，这包括选择特定的设计模式，例如Uniswap、Balancer、Curve等。这些不同的CFMM具有不同的基础数学不变量的特征。但即使在选择了一类AMM之后，仍有一些独特的实例具有自己的资产和其他元参数，例如费用和权重。
必须承认这种类/实例关系是ARM研究的前沿扩展。由于其与ML的相似性，我们理解开发和维护ARM的难度可能会有很大差异，具体取决于模型要综合的信息。BlockScience正在与HederaHashgraph和HBAR基金会的可持续发展计划合作，专门为能源信用市场设计一个ARM实例，因为能源信用资产为具有多种属性的项目提供了一个很好的用例，并且价值会受到上下文的极大影响。
动态 | 日本全银协将进行在银行结算系统中引入区块链技术试验:据Yahoo japan消息，日本全国银行协会(全银协)今日宣布，将于12月开始进行在银行结算系统中引入区块链技术的试验。全银协希望通过该试验来验证区块链技术是否可以提高资金结算效率，进而减轻银行负担。包括三井住友银行、三菱东京UFJ银行、瑞穗银行等三大行在内的九家银行将参与实验。[2018/10/29]
按属性进行ML数据聚类的示例。在ARM中，像这样的集群可以代表可再生能源信用属性，并用于促进半可替代资产的供需环境的“匹配”。
为什么能源和碳市场是ARM的绝佳用例
目前，批量购买和出售无法区分的能源信用额度，几乎没有透明度和可审计性。可再生能源市场也是高度人工化的，经纪人交易的碳抵消/清除信用和可再生能源信用可能具有非常不同的背景。虽然这些资产被当作商品进行交易，但实际上，由于能源的生产地点和方式、生产手段、所用设备的数量和质量，它们在市场上的价值可能大不相同，以及它们属性的其他方面以及如何在不同的上下文中评估这些属性。
有了ARM，这些资产可以更精细地分离，因为市场或需求方可以决定这些半同质资产的不同价格。能源资产的购买者通常基于不同司法管辖区的法律要求，需要更多的信息和供应方的可见性。参与这些市场的人们希望了解哪些属性受到高度追捧，哪些属性更为普遍，以便在满足要求的同时行使购买力。
在ARM中，半可替代的商品——各种属性的“捆绑”——根据市场条件和生产环境而具有不同的权重。这将为市场提供更好的信息，以便在供需参数之间进行匹配——换言之，更有效的市场。此外，此功能可以通过在公共分类账本上发现能源和碳信用，并通过验证链接到其可审计来源来提供价值。
Bitfinex将引入Irisium加强交易所监督体系:Bitfinex是全球第二大数字货币交易所，近日他们宣布与Irisium公司达成合作。Irisium曾被称为Ancoa Software LTD，由市场专家组成来开发高质量的市场监视和分析服务，可以在为企业提供出色的监视工具的同时为他们提供有价值的信息。Bitfinex首席技术官Paulo Ardoino 称为了满足不断发展的数字资产交易需求并保护复杂的交易者，Bitfinex需要建立基于最新技术的监控系统。[2018/3/16]
确保CORC或REC是独一无二的，并在链上代表碳抵消/去除或链下创建的能源资产，是这一市场创新的一个非常重要的方面。Hedera生态系统和HBAR基金会可持续发展计划的核心部分是Guardian，这是一个完全可审计的解决方案，可以验证能源资产的属性。Guardian3为链下数据提供质量证明，包括去中心化身份、政策驱动的行动和公平的交易顺序。这些属性提供了消除公认的数据质量问题的方法，这些问题会混淆供需，并将成为使用ARM实现CORC和REC自动化的研究和开发的核心。
可再生能源信贷市场供需双方可能存在的多个属性或参数的说明。顶部代表REC，底部代表CORC。ARM可以将私人偏好信号提取为公共价格信号，同时跟踪潜在的信号变化。ARM可以“学习”以做出更准确的定价预测，并提供市场供需双方的自动匹配。在市场估值的背景下，同样的代币对于ARM来说是半可替代的。
ARMing能源市场的潜在收益和全球影响
到2026年，全球能源即服务市场规模预计将超过1066亿美元，随着CORC和REC的重要性日益增加，这些市场的创新时机已经成熟。ARM机制可能对能源信贷市场产生巨大影响，并通过将自动化做市商的技术与链上代表的现实世界可变资产联系起来，打开一个充满可能性的新世界。
ARM可以提供自动化，允许大规模扩展和扩展能源市场和交易，加速市场发展并为期货市场提供潜力。对于个人、较小的能源生产商或合作社来说，成本也可以降低，因为他们可以更容易地聚合分散的发电网络，以提供抵押品或代币化资产，以换取融资。随着更高效和不断扩大的市场以及对能源生产和属性的更高可见性，将有更大的动力来改善和投资于满足更高或更有价值的标准或市场要求的标准的基础设施。本地化的更多可见性还可以使本地生产的价值保持在这些边界内，而不是被提取到更大的市场。
然而，与任何技术或创新一样，还有许多尚未探索的连锁反应——任何新领域都会带来潜在的意外后果和新市场机制的系统性影响。如前所述，我们的目标是在ML的压缩能力和市场的发现能力之间取得平衡。作为工程师，总是有设计权衡。这就是建模和仿真工作极其重要的原因，也是我们使用cadCAD来优化复杂系统设计的原因。
使用机器学习可视化高维空间
使用cadCAD对ARM建模
cadCAD是一个开源建模框架，用于使用计算机研究、验证和设计复杂系统。这有助于个人或组织就如何最好地修改复杂系统或与复杂系统交互以实现其预期目标做出明智的、经过严格测试的决策。
为了开始研究ARM是如何对供需相互作用进行合理预测，并允许跨初级市场的多属性能源信用进行价格发现的，我们将开发一个对照实行的ARM算法。连同从能源信贷市场收集的数据，此对照组实施将创建市场活动模拟，以测试ARM在此类市场中的信号处理能力。具体来说，我们将：
1）证明能源信用市场对机器学习应用的适用性
2）执行会计规则，例如，以确保对手不能通过向ARM充斥无法出售的能源信用来简单地使其破产。
与此同时，Hedera生态系统正在开发部署ARM所需的核心应用逻辑，在Hedera公共分类账上执行业务逻辑和会计，例如他们最近开源的Guardian，用于根据现实世界的动作验证链上声明。
虽然我们将发展技术要求以支持能源信用ARM的部署，但所得的结果将推广到广泛的部分可替代的、两侧市场应用程序在其基础设施上。Hedera生态系统不仅专注于部署完全自定义的ARM实例，还为其基础架构创建了ARM应用程序设计模式。这将使应用程序能够专注于其ARM设计的数据科学方面，并信任其市场设计对Hedera网络的部署和实施。
未来，可以研究诸如次级效应、系统级激励和机制的其他潜在参数等主题，以深入了解ARM如何“学习”和运行。
参考
1.在AMM中，手动做市商的订单簿被资产池和一个不变的、保值的功能所取代，该函数将池中的每个资产与其他资产联系起来。资产池是市场实现流动性的手段。不变函数是市场决定资产相对价值的方式。交易是一种集合资产与另一种集合资产的单独交换。不变函数计算后一资产将被交换为前一资产的数量，从而保持不变。AMM假设给定池中的资产是可互换的。可替代资产可以完全用两个属性来描述，类型和数量。换句话说，在任何情况下，可替代资产的唯一属性是其类型和数量。在AMM中，资产的类型决定了资产所属的池。资产的数量决定了涉及整体流动性或特定交易所交易的资产数量。
Token工程研究员LisaTan讲解：https:
//www.youtube.com/watch?v=842acSWmBC4&t=1093s
DeFi研究员和图形艺术家Finematics的VisualExplainer：https://www.youtube.com/watch?v=cizLhxSKrAc
2.Oladunni,T.和S.Sharma(2016)，“HedonicHousingTheory-AMachineLearningInvestigation”，2016年第15届IEEE机器学习和应用国际会议(ICMLA)，第522-527页。doi：10.1109/ICMLA.2016.0092
Shorish,J.(2019)，“加密货币代币的享乐定价”，数字金融卷。1，第163-189页。doi：10.1007/s42521–019–00005-y
3.https://github.com/hashgraph/guardian
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。