Giới thiệu

Dự báo là trái tim của quá trình ra quyết định trong các hệ sinh thái Web3. Những dự đoán chính xác giúp các ứng dụng phi tập trung (dApps), giao thức và nhà đầu tư đưa ra các quyết định thông minh, từ việc dự đoán giá token và phí gas đến việc ước lượng mức độ chấp nhận của người dùng và động lực thị trường NFT. Tuy nhiên, việc dự đoán trong Web3 rất phức tạp do sự phụ thuộc vào các loại dữ liệu khác nhau, kỹ thuật mô hình hóa và công nghệ.

Thiết kế và triển khai dự báo phụ thuộc vào cơ chế (cách thức dự đoán được tạo ra), dữ liệu (những gì thúc đẩy dự đoán) và công nghệ (các công cụ được sử dụng để đưa ra dự đoán). Do đó, phân loại này xác định các dự án dự đoán và dự báo trong lĩnh vực Web3 theo ba chiều.

Cơ chế Dự đoán và Dự báo

Cơ chế của một dự án dự báo trả lời câu hỏi: “Quyết định được đưa ra như thế nào?” Nói cách khác, chúng có thể được mô tả như là các phương pháp hoặc kỹ thuật được sử dụng để đưa ra dự đoán. Dưới đây là một số mô hình dự đoán phổ biến được sử dụng trong dự báo Web3:

Mô hình Thống kê

Mô hình thống kê, chẳng hạn như phân tích hồi quy, ARIMA hoặc làm mịn chuỗi thời gian, được sử dụng để đo lường/xác định sự biến động giá token. Khối lượng giao dịch là những mô hình dự báo cổ điển. Một ví dụ điển hình của mô hình này là đánh giá phí gas của Ethereum với ARIMA. Để sử dụng mô hình này, bạn cần đánh giá các sự kiện và dữ liệu trước đó và đưa ra dự đoán.

Mô hình Học máy

Khác với các mô hình thống kê sử dụng dữ liệu trong quá khứ, các mô hình học máy phụ thuộc vào các thuật toán để đưa ra dự đoán. Các mô hình học máy (ML) sử dụng Gradient Boosting, Random Forests và Support Vector Machines trong việc ra quyết định và đánh giá dữ liệu giao dịch blockchain. Nhờ khả năng nắm bắt các mối quan hệ phi tuyến tính trong các tập dữ liệu phức tạp lớn hơn, phương pháp ML rất lý tưởng để dự đoán tỷ lệ rút ví hoặc mức độ chấp nhận của các ứng dụng phi tập trung (dApp).

Mô hình Học sâu

Mô hình học sâu thường được sử dụng để đánh giá dữ liệu có chiều cao. Điều này liên quan đến việc đưa ra dự đoán dựa trên giọng nói, văn bản hoặc hình ảnh. Mô hình này sử dụng LSTMs, GRUs và Transformers cho dữ liệu chuỗi blockchain hoặc phân tích cảm xúc từ các phương tiện truyền thông xã hội liên quan đến tiền điện tử. Bạn có thể sử dụng điều này khi dự đoán nhu cầu token từ các tín hiệu trên Reddit và X (trước đây là Twitter) bằng cách sử dụng Transformers.

Mô hình Mô phỏng và Cơ chế

Một số tình huống yêu cầu đại diện rõ ràng của các quá trình vật lý và xã hội trong dự đoán. Đây là nơi mà các mô hình mô phỏng và cơ chế, như mô phỏng dựa trên tác nhân của sự tham gia mạng, staking hoặc động lực của các validator, xuất hiện. Mô phỏng Monte Carlo, một mô hình khác trong danh mục này, có thể được sử dụng để đo lường rủi ro thanh khoản DeFi và đưa ra dự đoán.

Hệ thống Chuyên gia và Heuristic

Cách tiếp cận hệ thống chuyên gia và heuristic là lý tưởng khi có thông tin hạn chế hoặc định tính. Các hệ thống chuyên gia và heuristic là nơi mà cơ sở của dự đoán là kiến thức của các chuyên gia, quy tắc ngón tay cái, logic mờ hoặc phương pháp Delphi. Dự báo dựa trên quy tắc hoặc điều hành DAO quản lý mô hình này, tận dụng các đề xuất trên chuỗi và các mẫu bỏ phiếu của cộng đồng. Mô hình này tạo ra kết quả quản trị tốt hơn.

Cách tiếp cận Lai

Cách tiếp cận lai kết hợp tất cả các mô hình lại với nhau để đưa ra dự đoán. Điều này có nghĩa là kết hợp các mô hình kinh tế/học thống kê với ngôn ngữ hiện đại/AI. Một ví dụ là sử dụng mô phỏng Tokenomics hoặc kết hợp ARIMA với học tăng cường.

Loại Dữ liệu cho Dự đoán và Dự báo

Các nguồn dữ liệu đa dạng và không theo quy chuẩn hình thành Dự báo Web3. Một số danh mục dữ liệu được sử dụng trong các dự đoán Web3 bao gồm:

Dữ liệu Giao dịch On-Chain

Dữ liệu giao dịch on-chain đề cập đến dữ liệu blockchain, hữu ích cho việc dự đoán hoạt động mạng, giới hạn khả năng mở rộng và chi phí giao dịch. Loại dữ liệu này bao gồm các chỉ số cấp khối như Transactions Per Second (TPS), đo lường thông lượng mạng và khả năng mở rộng, phí gas (chi phí mà người dùng phải trả để thực hiện giao dịch hoặc hợp đồng thông minh), và phần thưởng cho các validator.

Dữ liệu Cross-Protocol

Dữ liệu cross-protocol bao gồm hoạt động qua nhiều giao thức blockchain và dApps, như hoán đổi token, chuyển động thanh khoản và giao dịch NFT. Những dữ liệu này chứa các chuyển động token qua các sàn giao dịch phi tập trung (DEX), dòng vốn vào và ra khỏi các pool thanh khoản, doanh số thị trường, chuyển nhượng và sự thay đổi giá sàn trên các nền tảng NFT. Hình thức dữ liệu này rất giá trị cho việc dự đoán dòng vốn, rủi ro DeFi và xu hướng thị trường NFT.

Dữ liệu Xã hội và Văn bản

Dữ liệu từ Discord, Telegram, Reddit và X (trước đây là Twitter), bao gồm phân tích cảm xúc, mô hình hóa chủ đề và theo dõi xu hướng, là dữ liệu xã hội và văn bản. Chúng bao gồm dữ liệu thu thập từ các cộng đồng tín hiệu off-chain và diễn đàn công khai để dự đoán sự phấn khích của thị trường, sự chấp nhận token hoặc sự di chuyển giá do cộng đồng thúc đẩy.

Dữ liệu Hình ảnh

Dữ liệu hình ảnh là các biểu diễn dựa trên hình ảnh hoặc phân tích độ hiếm của NFT. Hình thức dữ liệu này thường chứa các thuộc tính như đặc điểm hiếm, thời gian mint, hoặc lịch sử người tạo, và được sử dụng để đánh giá các tác phẩm nghệ thuật NFT được tạo ra bằng thuật toán. Một trong những nơi bạn có thể áp dụng dữ liệu này là trong việc dự đoán giá trị NFT, định giá dựa trên độ hiếm và sự quan tâm của nhà sưu tập.

Dữ liệu Cắt ngang

Dữ liệu cắt ngang là những bức tranh tổng hợp của người dùng blockchain và hoạt động tại một thời điểm, để dự đoán sự tăng trưởng của người dùng, giữ chân và sức khỏe của hệ sinh thái. Điều này bao gồm việc theo dõi các địa chỉ duy nhất, tài sản nắm giữ, tương tác và hoạt động giao dịch trên các sàn giao dịch tập trung hoặc phi tập trung. Nó cũng bao gồm việc tham gia vào các pool staking và các mẫu ủy quyền.

Nền tảng Công nghệ cho Dự báo Web3

Các dự án dự báo Web3 tận dụng sự kết hợp độc đáo giữa các công cụ truyền thống và cơ sở hạ tầng phi tập trung:

Công cụ Tại chỗ và Mã nguồn mở

Các công cụ tại chỗ và mã nguồn mở là các môi trường phần mềm và thư viện truyền thống cho phân tích thống kê và dự báo. Danh mục này bao gồm Python (scikit-learn, mô hình thống kê và Prophet), R và MATLAB. Mặc dù các công cụ địa phương cung cấp khả năng kiểm soát, minh bạch và linh hoạt đầy đủ, chúng thường yêu cầu tài nguyên tính toán.

Khung Học Máy

Các khung học máy là những khung chuyên biệt để xây dựng các mô hình ML và học sâu, cho phép độ chính xác cao, dự báo quy mô lớn bằng cách sử dụng AI tiên tiến. Trong khi TensorFlow và PyTorch cung cấp sức mạnh cho các mạng nơ-ron như LSTMs và các biến đổi cho dữ liệu chuỗi blockchain, các thư viện Hugging Face Transformers cung cấp các mô hình xử lý ngôn ngữ tự nhiên tiên tiến. Điều này khiến mô hình này lý tưởng cho việc phân tích cảm xúc của cộng đồng Web3.

Cơ sở Hạ tầng Đặc thù Web3

Cơ sở hạ tầng đặc thù Web3 bao gồm các công cụ được xây dựng đặc biệt cho các hệ sinh thái phi tập trung. Với The Graph để truy vấn dữ liệu blockchain và các oracle Chainlink để tích hợp dữ liệu off/on-chain. Cơ sở hạ tầng này là một xương sống dữ liệu cho việc dự đoán chính xác trong môi trường blockchain.

Nền tảng Đám mây và Lai

AWS Forecast, Google Vertex AI hoặc các pipeline tùy chỉnh kết hợp API blockchain với các mô hình AI cũng là những nền tảng đám mây lai hữu ích cho việc dự báo. Những nền tảng này kết hợp điện toán đám mây với AI để tự động hóa các pipeline dự báo nhằm đạt được quy mô và tốc độ, nhưng với chi phí của việc phân quyền.

Thị trường Dữ liệu Phi tập trung

Thị trường dữ liệu phi tập trung là các nền tảng hỗ trợ chia sẻ dữ liệu và dự báo theo cách cho phép người dùng sở hữu dữ liệu, các ứng dụng phi tập trung (dApps) và sự tham gia mở, không cần giấy phép. Tại các thị trường phi tập trung như Ocean Protocol và các bảng điều khiển Dune Analytics, bạn sẽ có quyền truy cập vào dữ liệu blockchain và trí tuệ tập thể trong việc dự báo. Bạn có thể sử dụng Ocean Protocol để xuất bản, chia sẻ và kiếm tiền từ dữ liệu trong các hệ sinh thái Web3. Mặt khác, Dune Analytics là một nền tảng bảng điều khiển dựa vào cộng đồng để truy vấn và trực quan hóa dữ liệu blockchain.

Ma trận Phân loại

Dưới đây là cách mà các cơ chế và loại dữ liệu giao thoa trong các dự án dự báo Web3:

Phương pháp Thống kê

• Dữ liệu On-Chain: ARIMA cho phí gas ETH
• Dữ liệu Xã hội/Văn bản: Phân tích xu hướng trên Discord
• Dữ liệu Cross-Protocol: Hồi quy trên dòng thanh khoản
• Dữ liệu Hình ảnh (NFT): Mô hình chỉ số hiếm

Phương pháp Học Máy

• Dữ liệu On-Chain: Random Forest cho hành vi ví
• Dữ liệu Xã hội/Văn bản: Naive Bayes cho phân tích cảm xúc
• Dữ liệu Cross-Protocol: Gradient Boosting trên dữ liệu staking
• Dữ liệu Hình ảnh (NFT): Phân loại các cấp NFT

Phương pháp Học Sâu

• Dữ liệu On-Chain: LSTM cho khối lượng giao dịch
• Dữ liệu Xã hội/Văn bản: Mô hình Transformer cho tweet tiền điện tử
• Dữ liệu Cross-Protocol: GRU cho dự báo hoán đổi DeFi
• Dữ liệu Hình ảnh (NFT): CNN cho phát hiện độ hiếm hình ảnh NFT

Mô hình Mô phỏng / Cơ chế

• Dữ liệu On-Chain: Mô phỏng validator dựa trên tác nhân
• Dữ liệu Xã hội/Văn bản: N/A
• Dữ liệu Cross-Protocol: Mô phỏng Monte Carlo cho rủi ro thanh khoản
• Dữ liệu Hình ảnh (NFT): Động lực NFT sinh ra

Hệ thống Chuyên gia / Heuristic

• Dữ liệu On-Chain: Kết quả quản trị dựa trên quy tắc DAO
• Dữ liệu Xã hội/Văn bản: Phân tích cảm xúc được chú thích bởi chuyên gia
• Dữ liệu Cross-Protocol: Heuristics cho rủi ro stablecoin
• Dữ liệu Hình ảnh (NFT): Điểm hiếm do người bảo trợ quyết định

Cách tiếp cận Lai

• Dữ liệu On-Chain: ARIMA + Học Sâu cho biến động giá
• Dữ liệu Xã hội/Văn bản: Văn bản + ML cho phát hiện pump/dump
• Dữ liệu Cross-Protocol: Kinh tế học lai + ML cho dự báo DeFi
• Dữ liệu Hình ảnh (NFT): Độ hiếm NFT + mô hình cảm xúc lai

Kết luận

Dự báo trong Web3 không chỉ đơn thuần là việc dự đoán tài chính truyền thống. Nó tích hợp dữ liệu bản địa blockchain, tín hiệu quản trị phi tập trung và cảm xúc do cộng đồng thúc đẩy. Bằng cách phân loại các dự án dọc theo các chiều cơ chế, dữ liệu và công nghệ, phân loại này giải thích cách mà các dự đoán được xây dựng trong các hệ sinh thái phi tập trung.

Khung này cung cấp một ngôn ngữ chung để so sánh các mô hình dự báo, định hướng chúng với các nguồn dữ liệu phù hợp và chọn các công nghệ phù hợp nhất cho từng trường hợp sử dụng, cho dù đó là dự đoán sự tham gia của validator, biến động token hay giá sàn NFT.