Il mercato delle criptovalute è piuttosto nuovo e si sta sviluppando rapidamente con sempre più nuovi attori e nuovi asset e di conseguenza anche la sua complessità è in continua crescita. Alcuni dei metodi analitici tradizionali basati su media e varianza sembrano essere poco efficaci per catturare questa complessità, mentre la tecnologia basata sull’intelligenza artificiale, e in particolare il machine learning, è in grado di rilevarla con strumenti di analisi molto potenti. Comprendere le dinamiche del mercato delle criptovalute è fondamentale per tutti gli investitori, siano essi istituzionali che retail, e la tecnologia AI, proprio quella basata sul machine learning, può aiutare a utilizzare correttamente i dati per fare previsioni ed effettuare il rilevamento delle anomalie. Questi aspetti hanno reso possibile l’intersezione tra intelligenza artificiale e cripto-asset in un progetto congiunto tra Axyon AI e DeFinity.
Axyon AI ha sviluppato in questo ambito una tecnologia specifica utilizzando il deep learning per rilevare immediatamente le aberrazioni dei dati nascoste all’interno del mercato delle criptovalute utilizzando una selezione di crypto asset liquidi. Queste anomalie sarebbero altrimenti virtualmente impossibili da identificare, e i relativi alert forniscono in anticipo un avviso su potenziali eventi di volatilità o cambiamenti direzionali nei trend.
Il rilevamento delle anomalie di mercato attuato con l’intelligenza artificiale è una tecnologia all’avanguardia che può generare alert automatici sull’andamento irregolare dei prezzi e delle variabili legate agli stessi asset. Queste anomalie possono derivare da nuove informazioni non rivelate ancora al mercato, effetti a catena originati da asset correlati o rotture strutturali nel comportamento di un asset rispetto al mercato stesso.
Come viene affrontato il rilevamento delle anomalie
Nella letteratura scientifica e nella pratica, sono tre gli approcci che comunemente utilizzano l’apprendimento automatico per il rilevamento delle anomalie:
- Supervisionato
Con questo approccio, i modelli imparano dai dati già in loro possesso perché inseriti in fase di training, dove ogni osservazione è etichettata come normale o anormale. Su queste basi, i modelli utilizzano quindi ciò che vedono per classificare le nuove evidenze. Il problema con l’utilizzo di quest’approccio è che non c’è un modo semplice o universale di etichettare con precisione i dati anomali “noti”; quindi, non è particolarmente adatto per il rilevamento delle anomalie nei mercati finanziari, compreso quello delle criptovalute.
- Semi-supervisionato
Secondo questo approccio, i modelli utilizzano dati di training costituiti da osservazioni normali, e ogni nuova osservazione viene valutata ed etichettata dal modello. Tuttavia, l’apprendimento semi-supervisionato si basa sul fatto che i dati di training siano privi di osservazioni anomale, il che non può essere dato per scontato quando si rilevano le anomalie dei mercati finanziari.
- Non supervisionato
Questo terzo approccio prevede che i modelli lavorino su dati di training non etichettati che contengono sia osservazioni normali che anomale e identificano le anomalie classificando le osservazioni che meno si adattano al resto dei dati. Il resto dei dati viene quindi classificato come normale. Questo approccio è particolarmente efficace nel rilevare le anomalie dei mercati finanziari dove la complessità della realtà rende difficile un etichettamento a priori.
Il rilevamento delle anomalie nel mercato delle criptovalute tramite la tecnologia Axyon IRIS
Axyon IRIS, la piattaforma tecnologica proprietaria sviluppata da Axyon AI per addestrare, evolvere e selezionare in modo automatizzato i modelli sia machine learning che deep learning, utilizza un modello all’avanguardia per il rilevamento delle anomalie non classificate chiamato Isolation Forest (IF) insieme a una tecnica proprietaria di post-processing sviluppata da Axyon AI.
Durante la prima fase del progetto, Axyon AI si è focalizzata sullo sviluppo del DataFeed partendo da zero, mentre nella seconda fase si è concentrata sulla configurazione e l’implementazione del servizio di nowcasting (previsioni al momento) agli utenti finali.
Overview del dataset e del processo
La prima fase del progetto si è concentrata sulla costruzione di un dataset e Axyon AI ha utilizzato la collaborazione con DeFinity, facendo leva sulla loro esperienza nel mercato delle criptovalute. Questa è stata una fase cruciale del progetto perché, come dimostrano i risultati, la scelta delle variabili è estremamente rilevante per individuare rapidamente le anomalie.
In base alle esigenze di DeFinity, sono stati selezionati sei asset target:
BTC – Bitcoin
ETH – Ethereum
ADA – Cardano
BNB – Binance Coin
DOT – Polkadot
XMR – Monero
Oltre a questi 6 asset target, nel dataset erano presenti 126 indicatori di contesto considerati informativi per rilevare le anomalie, tra cui 36 relativi alle criptovalute, 42 metriche relative alle blockchain e 48 metriche legate ai mercati finanziari.
Questo ha consentito ai modelli di intercettare non solo le dinamiche relative alle 6 valute target, ma anche le dinamiche dell’intero mercato e, soprattutto, le connessioni statistiche. Questo aspetto è importante perché le anomalie si verificano tra asset diversi piuttosto che tra un solo asset/valuta.
Inoltre, dai primi risultati, è possibile supporre che nei modelli pensati e formati con indicatori di contesto, i dati potrebbero essere più veloci a reagire a periodi anomali rispetto a quelli che non lo sono, anche se questo è ancora oggetto di ulteriori verifiche.
Durante il processo di training e di test, Axyon ha adottato un metodo standard di walk-forward time-series cross-validation, per cui il set di dati è stato iterativamente diviso in uno per l’addestramento e uno per il test, con il primo che cresce man mano e il secondo che si sposta in avanti di volta in volta.
L’analisi degli score di anomalia ha portato alla luce alcune intuizioni significative. Si è scoperto che, nel tempo, la stabilità dell’indicatore di anomalia dipende dai dati di contesto aggiunti. Più dati di contesto vengono aggiunti (sia finanziari che relativi alle criptovalute), maggiore è la correlazione degli stessi score; tuttavia, quando il contesto non è noto, la correlazione degli indicatori di anomalia è significativamente inferiore alla correlazione dei rendimenti giornalieri degli asset. Questo significa che il modello Isolation Forest può fare molto di più che comprendere la distribuzione dei rendimenti degli asset – può effettivamente cogliere comportamenti complessi nei prezzi degli asset. La nostra analisi mostra un legame statisticamente significativo tra l’Anomaly Detector e i futuri episodi di volatilità, e anche quando controllando quella passata, diventa particolarmente vero in regimi di alta volatilità.
Un esempio: andamento del prezzo del Bitcoin
Per fare un esempio, il grafico di sotto mostra il prezzo dell’asset, in questo caso il Bitcoin (linea blu) e l’indicatore di anomalia (intensità dello sfondo) del Bitcoin tra il 2016 e la metà del 2021. Qui è possibile osservare come il modello tende ad assegnare score piuttosto alti di anomalia ai periodi volatili. Tuttavia, guardando meglio periodi temporali più ristretti, è possibile notare che il rilevatore è in grado di cogliere andamenti più complessi rispetto ai semplici movimenti di prezzo giornalieri in una direzione piuttosto che in un altra.
Legenda: prezzo del Bitcoin (linea blu) e indicatore di anomalia (intensità dello sfondo).
Dal punto di vista della gestione del rischio e del trading, il rilevatore di anomalie ha il potenziale per giocare un ruolo fondamentale nel dare agli investitori un alert precoce della presenza e della portata di episodi di volatilità o dei cambiamenti direzionali per le sei criptovalute target. Questo significa che permette loro di ridurre con anticipo eventuali le posizioni di rischio, poter effettuare delle coperture o avvantaggiarsi della volatilità e/o cambiamenti direzionali per generare un extra rendimento operando sul mercato spot o su quello delle opzioni. Inoltre, il rilevatore di anomalie potrebbe dare a chi possiede asset digitali preavvisi che potrebbero avere a che fare con alcune specificità del mercato delle crypto valute come, ad esempio, un attacco alla rete, un intervento normativo non atteso o l’osservazione di un salvataggio di un paese non incluso negli asset o anche la previsione di una crisi più generalizzata.
Conclusioni
Una questione rimane aperta: l’indicatore di anomalia può prevedere la volatilità futura? Questa è un’area importante per ulteriori indagini. Dai primi risultati è possibile affermare che l’indicatore di anomalia può essere utilizzato come indicatore di volatilità futura, specialmente nelle fasi in cui questa è alta. È stato osservato che la volatilità futura sembra essere correlata a quella passata e questo è vero indipendentemente dall’indicatore di anomalia. Tuttavia, sembra esserci effettivamente una relazione tra l’indicatore di anomalia e la volatilità futura, specialmente in periodi di elevata volatilità.
Riassumendo, lo strumento di rilevamento delle anomalie sviluppato da Axyon AI è molto flessibile e potente e questo caso d’uso conferma come sia possibile applicarlo anche in un nuovo settore in cui le informazioni che si possono avere da quanto è accaduto in passato sono piuttosto scarse.
I possessori di token DeFinity possono ora ottenere l’accesso esclusivo a insight di risk management basati sull’AI – normalmente riservati agli investitori istituzionali – tramite l’app Clarity.
