شرکت‌های خودگردان نامتمرکز مبتنی بر BCH: بررسی بخش کوچکی از آینده بیت کوین

هدف از این مقاله بررسی شرکت‌های خودگردان نامتمرکز (DAC) مبتنی بر فناوری بلاکچین است. توجه داشته باشید که در این مقاله عبارت بیت کوین به BCH اشاره دارد. BTC پس از افزوده شدن SegWit، بیت کوین محسوب نمی‌شود.

0 86

در این مقاله، تعاریف موارد زیر را ارائه می‌دهیم:

(۱) DAC

(۲) محاسبات چندجانبه امن: یک پروتکل چندجانبه امن برای صدور اجازه تراکنش‌ها،

(۳) عاملین خودگردان: مجموعه‌ای از برنامه‌های کامپیوتری هستند که مجموعه‌ای از عملیات را از طرف کاربران انجام می‌دهند.

مقاله حاضر را با ذکر کاربردی برای مدیریت پورتفوی مالی به پایان خواهیم رساند.

جالب‌تر از همه اینکه هیچ بخشی از این مطالب یا هیچ چیزی شبیه آن در هیچ بستر دیگری جز بیت کوین‌کش (BCH) رخ نخواهد داد، نه ETH، نه BTC، نه سکه‌های جعلی. بدون DOA، بدون PoS … فقط نهادهای معتبر قانونی.

شرکت‌های خودگردان نامتمرکز

یک شرکت خودگردان نامتمرکز (DAC)، شرکتی مجسم شده بدون نیاز به یک نقطه کنترل مرکزی، با دستور کار، برنامه کسب و کار و پروتکل مشخص است. یک شرکت خودگردان نامتمرکز می‌تواند شرکتی بزرگ، شرکتی کوچک، و یا یک تراست باشد. تصمیمات می‌توانند پیشاپیش اتخاذ شوند و برای بسیاری از وظایف ساده نیازی به دخالت انسانی نیست.

توجه: تمام نهادها متعلق به افراد هستند، یعنی سرمایه و تصمیمات به یک طرف انسانی منتسب هستند.

DACها می‌توانند با کمترین دخالت انسانی کار کنند و توسط کد و نرم‌افزار تعریف می‌شوند. معنی خودگردان برای آن‌ها این است که از سازوکارهایی برای خودتنظیمی استفاده می‌کنند. این امکان وجود دارد که سیستمی ایجاد شود که فعالیت می‌کند و هنگامی که به فعالیت کامل می‌رسد، دیگر به ورودی بیشتر از سوی خالقان خود نیاز نداشته باشد.

DACها توزیع شده هستند. هیچ نقطه شکستی وجود ندارد که مورد حمله قرار گیرد. نمی‌توان DACها را تعطیل کرد و یا حتی به نحوی تغییر داد که همه پول خود را به حساب مهاجم ارسال کنند.

DACها نیازمند شبکه‌ای از عاملین مستقل (AA) هستند که برای دسترسی به برخی اهداف، بدون آنکه مستقیما به آن‌ها دستور داده شود، وظایفی را درون یک محیط انجام می‌دهند. یک نمونه از AA ویروس کامپیوتری است؛ این ویروس با تکثیر خود از دستگاه به دستگاه، بدون دخالت عمدی انسان به بقا ادامه می‌دهد.

DACها آدرس بیت کوین تولید می‌کنند. DACها تراکنش ساخته و امضا می‌کنند. بنابراین، به یک سیستم امضای تراکنش نیاز است که بتواند به روش نامتمرکز محاسبه شود.

راه حل اول نشانی‌های چندامضایی است؛ مثلا برای ۱۰۰۰ AA، یک نشانی «۵۱۰ از ۱۰۰۰» بین آن‌ها تولید می‌کنیم. مشکل این است که تراکنش بسیار بزرگ خواهد بود. حداکثر اندازه یک تراکنش استاندارد ۱۰٬۰۰۰ بایت است. هر امضا حدود ۷۰ بایت است، بنابراین ۵۰۱ امضا از ۱۰۰۰ امضا به معنی تراکنشی ۳۵٬۰۰۰ بایتی خواهد بود. راه حل دوم محاسبات چندجانبه امن است.

محاسبات چندجانبه امن: به‌اشتراک گذاری کلید

پروتکل‌های محاسبات چندجانبه امن (SMC) به گروهی از طرف‌های متقابلا بی‌اعتماد امکان می‌دهد تا در ورودی‌های شخصی خود یک تابع را محاسبه کنند. SMC روشی برای محافظت از اطلاعات محرمانه است. راز به قطعات (سهم) متعدد تقسیم می‌شود. سپس این سهم‌ها میان طرف‌ها توزیع خواهد شد. برای بازسازی راز، مجموعه‌ای ازپیش‌تعیین‌شده از سهم‌ها (حد آستانه k) باید با هم ترکیب شوند. با دسترسی به سهم‌های متفاوت کمتر از حد آستانه، هیچ اطلاعاتی در مورد راز به دست نخواهد آمد.

s را مقدار مخفی در نظر بگیرید به طوری که n عدد، s(i) را به اشتراک می‌گذارند. طرح به‌اشتراک‌گذاری ما k از n است، در صورتی که شرایط زیر برقرار باشند:

  • صحت؛ دانستن هر k یا بیشتر سهم s باعث می‌شود تا راز به راحتی قابل محاسبه باشد،
  • پوشیدگی؛ دانستن هر k-1 s یا کمتر، راز را به طور کامل نامشخص باقی می‌گذارد (به این معنی که تمام مقادیر ممکن به یک اندازه محتمل هستند)

موردی را در نظر می‌گیریم که در آن تعداد زیادی از AAها تمایل دارند تا برخی محاسبات پیچیده توزیع‌شده را روی ورودی‌های خود انجام دهند (یعنی امضا کردن تراکنش‌های بیت کوین). برای این مورد، ما از طرح به‌اشتراک‌گذاری راز شمیر (Shamir) (SSSS) استفاده می‌کنیم که در آن برای تعریف یک چندجمله‌ای درجه k-1، به k نیاز است.

سهم‌ها در SSSS دو مقدار دارند: یک شاخص و یک چندجمله‌ای که به صورت تصادفی روی آن شاخص تولید شده است: (i, f(i)). شاخص‌ها باید برای هر طرف منحصر به فرد باشند و نمی‌توانیم از صفر استفاده کنیم چرا که راز f(0) =s را افشا می‌کند. برای ایجاد سهم‌ها، ما n نقطه تصادفی در چند جمله‌ای (x, f(x)) انتخاب می‌کنیم. این نقاط سپس بین طرف‌ها توزیع می‌شوند. ضرایب به صورت تصادفی انتخاب می‌شوند و عضو آزاد برابر راز است. شکل ۱ طرح شامیر را با استفاده از یک چندجمله‌ای تصادفی درجه ۱ نشان می‌دهد.

دسته‌بندی یک مقدار مخفی با استفاده از طرح به‌اشتراک‌گذاری راز شمیر

شکل ۱: دسته‌بندی یک مقدار مخفی با استفاده از طرح به‌اشتراک‌گذاری راز شمیر. خطوط سبز و قرمز تلاش‌های شکست‌خورده برای بازسازی S با دانستن k-1 هستند. اگر فقط یک نقطه را برای یک چندجمله‌ای درجه ۱ بدانیم، به تمام مقادیر ممکن (S، S’، S’’ و غیره) می‌رسیم ولی راهی برای تشخیص مقدار صحیح وجود ندارد. اما اگر ما حداقل ۲ سهم را بدانیم، می‌توانیم با استفاده از الگوریتم درون‌یابی لاگرانژ چند جمله‌ایf(X) را بازسازی کنیم.

یک صفت خوب منحنی بیضوی این است که اگر طرح حد آستانه (k,n) با درون یابی چندجمله‌ای با کلید عمومی تنظیم شود، کلید خصوصی را می‌توان دقیقا مانند کلید عمومی از k عدد از n عدد بازیابی کرد.

عاملین خودگردان (AA)

یک عامل مستقل سیستمی کامپیوتری است که یک محیط (به عنوان مثال اینترنت) واقع شده و قادر است به صورت خودگردان در این محیط برای رسیدن به اهداف طراحی خود اقدام (مثلا خرید و فروش) انجام دهد.

AAها صرفا نرم‌افزار هستند. آن‌ها دستورالعمل‌های نوشته شده در یک زبان برنامه‌نویسی عامل کاربردی (PAPAL) را دریافت کرده و اجرا می‌کنند. PAPAL زبان برنامه‌نویسی عامل است.

AAها از توانایی تولید محصول، نوشتن کد و توسعه سخت‌افزار برخوردار نیستند. برای این منظور آن‌ها نیازمند بازیگرانی در دنیای فیزیکی به نام پیمانکاران هستند.

در اینجا دسته‌های مختلفی از عاملین مستقل تعریف می‌کنیم: voting-AAها و task-AAها.

عاملین خودگردان اینترفیس (AIA)

عاملین خودگران اینترفیس می‌توانند بر اساس یک روند کسب اطلاعات مبتنی بر تکرار کلمات کلیدی، به کاربران به صورت زنده پیشنهاد ارائه دهند.

به عنوان مثال، یک عامل خودگران اینترفیس ممکن است مشاهده کند که کاربری به داشتن سهام در بخش بانکی علاقمند است و ممکن است به وی پیشنهاد دهد که در بخش فلزات سرمایه گذاری کند (با فرض این که این دو بخش مستقل هستند). AIA از یک AA درخواست می‌کند تا به دنبال یک دارایی بگردد که به بخش بانک وابستگی زیادی ندارد، سپس یک پنجره پاپ‌آپ باز شده و همبستگی و سایر شاخص‌ها بین قیمت طلا و قیمت سهم HSBC را نشان می‌دهد.

عاملین خودگردان رأی‌دهی

voting-AAها عاملینی هستند که توانایی رأی دادن دارند.

در مرحله راه‌اندازی، DAC تعداد N توکن برای جمع‌آوری پول (از طریق قرارداد تضمین غالب) صادر می‌کند. توکن‌ها نشان‌دهنده سهام شرکت هستند. توکن‌ها به دارنده خود حق مالکیت و حق رأی دادن اعطا می‌کنند.

DAC تعداد N سهم برای جمع‌آوری پول صادر می‌کند: اگر هدف مورد نظر به دست نیامد، سپس باز پرداخت (قرارداد تضمین غالب) انجام شود.

(۱) توکن‌ها برای نشان دادن سهام شرکت استفاده می‌شوند و برای به اشتراک گذاری درآمد نیازمند یک قرارداد هوشمند هستند [آیا باید درآمد به طور خودکار همزمان با اکتساب به اشتراک گذاشته شود؟ اگر سهم/توکن یک جفت کلید عمومی/خصوصی DAC داشته باشد، یعنی (x, f(x)) -> اگر کسی k جفت در اختیار داشته باشید، یک حمله ۵۱٪ رخ می‌دهد].

(۲) قیمت سهم می‌تواند مانند بلیط‌های هواپیمایی ایزی‌جت وابسته به زمان باشد.

تراکنش سکه رنگ شده حاوی یک جفت یا چند جفت (x, f(x)) است. توکن‌ها را می‌توان مبادله کرد، و صاحبان جدید سهام جفت‌های جدید درخواست می‌کنند. (xnew, f(xnew)). (xold f(xnld)) قبلی باید از پایگاه داده DAC حذف شود و (xold f(xnld)) نمی‌تواند به عنوان یک سهم معتبر پذیرفته شود.

عاملین خودگردان وظیفه

task-AAها بر مبنای سفارش‌های ترجیحی خود، به جای وظایف موجود به دنبال وظایف خالی می‌گردند. این عاملین یک پیمانکار را انتخاب کرده و پیشنهاد پیمانکار را یا به voting-AA یا به اعضای DAC برای رأی‌گیری پیشنهاد می‌کند. اعضای DAC می‌توانند پیشنهاد پیمانکار را بررسی کرده و سهم خود (x, f(x)) را به task-AA ارسال کنند [قبل از پیاده‌سازی، نهاد مذکور سهم‌ها را بین AAها توزیع می‌کند]. اگر task-AA تعداد k سهم را جمع‌آوری کند، یک قرارداد هوشمند به نمایندگی از پروژه پیشنهادی به بلاکچین ارائه می‌دهد. یک دوره زمانی مشخص برای رأی‌دهی در مورد هر پیشنهاد وجود دارد. پس از این زمان، پیشنهاد بسته می‌شود.

رأی‌دهی برای پیشنهادها

وزن رأی سهامداران یک DAC به میزان توکن‌های تحت کنترل آن‌ها بستگی دارد. در قراردادها، اقدامات فردی اعضای را نمی‌توان مستقیما تعیین کرد. یک دوره زمانی مشخص tp برای بحث و رأی‌دهی در مورد هر پیشنهاد وجود دارد. این دوره زمانی توسط function-AA تنظیم می‌گردد. پس از اتمام tp ، هر صاحب توکن می‌تواند به دست آمدن مقدار حد آستانه k، یعنی جمع‌آوری k سهم را تایید کند. اگر اینگونه نباشد، پیشنهاد بسته می‌شود. می‌توان برای اعتبار رأی، یک حداقل تعداد سهامدار را نیز در نظر گرفت.

برای حصول اطمینان از شفافیت و پیش از این که رأی صادر شود، پروفایل پیمانکار باید به voting-AAها و سهامداران ارائه شود. جدول ۱ نمونه‌ای از پروفایل پیمانکار/شرکت را نشان می‌دهد.

نمونه‌ای از پروفایل پیمانکار

جدول ۱. نمونه‌ای از پروفایل پیمانکار

سهامداران می‌توانند از طریق بستر (فرضی) MyVote رأی دهند یا حق رأی خود را به voting-AAها اعطا کنند. در صورت تفویض حق رأی، سهامداران با استفاده از بستر BlockID اطلاعات را در اختیار voting-AAها قرار می‌دهند. برای ارائه اطلاعاتی که توسط voting-AA استفاده می‌شود ما دو روش رأی‌گیری پیشنهاد می‌کنیم:

  • با استفاده از یک بستر رأی‌گیری
  • تکیه بر voting-AAها

یک بستر رأی‌گیری مبتنی بر بلاکچین

استفاده از یک Vote DAC منجر به ایجاد بستری خواهد شد که از فناوری بلاکچین استفاده می‌کند تا به کاربران امکان دهد در خانه و در زمان مناسب خود رأی دهند. با دادن رأی به عنوان تراکنش، می‌توان بلاکچینی ایجاد کرد شمارش آرا را دنبال می‌کند. به این ترتیب، سهامداران می‌توانند در مورد تعداد نهایی آرا توافق برسند، چرا که می‌توانند خود رأی‌ها را شمارش کنند، و به دلیل وجود زنجیره عطف بلاکچین، می‌توانند تأیید کنند که هیچ رأیی حذف یا تغییر داده نشده و هیچ رأیی نیز به صورت غیرقانونی اضافه نشده است.

BlockID: یک بستر مبتنی بر بلاکچین برای هویت دیجیتال

BlockID مفهومی برای سرویس هویت مبتنی بر بلاکچین است که به سهامداران اجازه می‌دهد برای یک حساب کاربری و پرسشنامه‌های ارسال‌کننده DAC ثبت نام کنند، به جدول ۲ مراجعه کنید.

یک هویت دیجیتال از صفات یا ویژگی‌های داده تشکیل می‌شود، مانند:

  • تاریخ تولد
  • شماره تامین اجتماعی
  • سابقه پزشکی

سرقت هویت در وب بسیار رایج است. احراز هویت دیجیتال و تمهیدات اعتبارسنجی برای حصول اطمینان از امنیت وب و زیرساخت شبکه در بخش‌های عمومی و خصوصی حیاتی هستند.

BlockID را می‌توان به عنوان گواهینامه رانندگی، گذرنامه، کارت اعتباری، کلید آپارتمان و غیره استفاده کرد.

نمونه یک پرسشنامه دریافت شده توسط یک سهامدار

جدول ۲: نمونه یک پرسشنامه دریافت شده توسط یک سهامدار

تصمیم‌گیری و voting-AAها

اگر سهامداران تصمیم بگیرند که در تصمیم‌گیری دخالت نکنند، می‌توانند بر voting-AA خود تکیه کنند. به منظور این که voting-AAها به هدف خود برسند، به دسترسی به پرسشنامه نیاز تکمیل‌شده توسط سهامدار نیاز دارند، و تصمیم voting-AA توسط یک یا چند الگوریتم دسته‌بندی رسیدگی می‌شود. در زیر، ما راه حلی ساده با استفاده از الگوریتم درخت تصمیم پیشنهاد می‌دهیم. اما می‌توان از هر الگوریتم یادگیری ماشین مناسب دیگری مانند شبکه عصبی یا SVM نیز استفاده کرد.

درخت تصمیم-گزینه مشابه درخت تصمیم عادی است، با این تفاوت که آن‌ها انتخابی علاوه بر گره‌های عادی تصمیم و گره‌های برگ حاوی گره‌های گزینه هستند. گره‌های گزینه به جای یک انشعاب واحد در هر گره، امکان چند انشعاب را فراهم می‌کنند.

شکل ۲ بخشی از یک درخت تصمیم واقعی را نشان می‌دهد.

یک مثال ساده از یک درخت تصمیم-گزینه

شکل ۲: یک مثال ساده از یک درخت تصمیم-گزینه

کاربرد: مدیریت دیجیتال دارایی (DAM)

DAM نتیجه به‌کارگیری ساختار چندعاملی خودگردان برای حال مساله مدیریت پورتفوی مالی است. رویکرد ساختار چندعاملی خودگردان (۱) نیازمند هماهنگی بین وظایف چند جزئی (جمع‌آوری اطلاعات، تفسیر، پیش‌بینی و غیره) است. سیستم باید قابل اعتماد باشد؛ اگر یک یا چند عامل موفق نشوند، سیستم به کار خود ادامه خواهد داد. AAها با قابلیت‌های افزونه و/یا سازوکارهای مناسب هماهنگ طراحی شده‌اند. بنابراین یک عامل فاقد واکنش مشکل‌ساز نخواهد بود.

سیستم DAM از تعدادی از task-AA مختلف استفاده می‌کند:

  • Breaking news-AAها اطلاعات را از مقالات خبر فوری وب جمع‌آوری می‌کنند. این عاملین خبرها را پیگیری و غربال کرده و تصمیم می‌گیرند که آیا آن‌ها آنقدر اهمیت دارند که کاربر از طریق interface-AA و/ یا سایر AAها بلافاصله از آن مطلع گردد یا خیر.
  • Stock tracker-AAها قیمت سهام را به صورت زنده جمع‌آوری می‌کنند. فعالیت‌های آن‌ها به وسیله عبارات جستجو و یا از طریق پایش منابع اطلاعات برای وقوع یک الگوی خاص یا توسط کاربر یا AA آغاز می‌شود. به عنوان مثال وقتی که قیمت یک سهام خاص از یک حد آستانه از پیش‌‌تعریف‌شده فراتر رود.
  • Model-AAها با استفاده از روش‌های استاندارد (به عنوان مثال ARIMA)، روش‌های داده‌کاوی (به عنوان مثال شبکه عصبی) و مدل‌های اتفاقی پیچیده مدل‌های ریاضی می‌سازند تا آینده نزدیک بازار سهام را پیش‌بینی کنند.
  • Risk-AAها ریسک مالی پورتفوی‌ها را با استفاده از یک معیار ریسک بازار سهام ارزش گذاری می‌کنند.
  • Interface-AAها با کاربری ارتباط برقرار می‌کنند که مشخصات کاربر را دریافت کرده و نتایج را ارائه می‌دهد. آن‌ها از مشخصات کاربر برای هدایت هماهنگی سیستم استفاده می‌کنند. Interface-AAها خلاصه‌ای جامع از پوتفوی کاربر را نمایش می‌دهند.
  • Trader-AAها بر اساس استراتژی‌های معاملاتی خود رأی می‌دهند.
  • و غیره.

یک نمایش ساده از معماری DAM در شکل ۳ نشان داده شده است.

یک نمایش ساده از معماری DAM

شکل ۳: معماری DAM

DAM سه هدف اصلی دارد. اولین و مهمترین هدف تصمیم‌گیری‌های تجاری است، دومین هدف ارائه این سفارش‌ها به صرافی‌های بازار، و سوم مدیریت این سفارش‌ها پس از ارسال آن‌ها است. [مدیریت پورتفوی هسته اصلی DAM نیست و می‌تواند به سیستم دیگری برون‌سپاری شود که DAM در آن ادغام شده است.

هدف شماره ۱: تصمیم‌گیری‌های تجاری

تصمیم‌گیری‌های تجاری بر اساس یک استراتژی خاص انجام می‌شوند. استراتژی‌های تجاری عموما بر یک یا چند مورد از تکنیک‌های زیر استوار هستند:

  • تجزیه و تحلیل کمّی: ساخته شده با استفاده از شاخص‌های اساسی و مبنای ریاضی تحرکات قیمت و داده‌های تاریخی/فعلی.
  • مبتنی بر رویداد: بر اساس تجزیه و تحلیل رویدادهای تاریخی و فعلی. اغلب نمایه‌هایی از داده‌های متنی اخبار.
  • مبتنی بر رویکرد: ساخته شده با استفاده از شاخص‌هایی که رویکرد به بازار را شکار می‌کنند.

چنین استراتژی‌هایی می‌توانند با استفاده از الگوریتم‌های یادگیری ماشین استنتاج شوند.

https://cdn-images-1.medium.com/max/1600/1*8eCmynsCP5inyBsYs95sVw.png

شکل ۴: اتخاذ تصمیمات تجاری: استفاده از هدف‌گذاری موردی

هدف شماره ۲: ارسال سفارش

سفارش معامله به معنی تقاضای خرید یا فروش اوراق بهادار است. هدف DAM ارسال سفارش‌های معامله مناسب است که دقیق، به‌موقع و شفاف باشند. فهرستی غیرجامع از انواع معامله:

  • سفارش‌های بلند
  • سفارش‌های کوتاه
  • و غیره.

هدف شماره ۳: مدیریت سفارش‌ها پس از ارسال

هدف سوم DAM مدیریت سفارش‌ها پس از ارسال آنها است. شامل:

  • ثبت تمام سود و زیان‌ها
  • ثبت تمام تراکنش‌ها
  • پایش سفارش‌های تکمیل نشده

در ادامه، بر تعامل بین عاملین و فرآیند تصمیم‌گیری تمرکز خواهیم کرد.

ما مجموعه‌ای از عاملین خودگردان معامله را در نظر می‌گیریم:

  • (Moving Average AA (MA-AA از استراتژی میانگین متحرک برای تعیین رابطه بین قیمت یک ورق بهادار و روند صعودی و نزولی میانگین متحرک آن استفاده می‌کند.
  • (Oscillation Stochastic AA (Sto-AA از یک استراتژی معاملاتی نوسان تصادفی برای پیگیری آهنگ قیمتی ورق بهادار استفاده می‌کند.
  • (Risk AA (Rk-AA ریسک ذاتی تمام استراتژی‌های معاملاتی را ارزیابی می‌کند.
  • (Voting AA (vAA.
  • (Trading AA (tAA.

شکل ۵ مراحل تصمیم‌گیری را نشان می‌دهد.

فلوچارت تصمیم‌گیری

شکل ۵: فلوچارت تصمیم‌گیری

تصمیم‌گیری با استفاده از پروفایل‌های انسانی

در این بخش، یک پروتکل ارزش گذاری شرح داده می‌شود که در آن کاربر، در اینجا یک معامله‌گر انسانی، مجموعه داده‌های تاریخی را بررسی کرده و به سوالات مربوط به استراتژی‌های معاملاتی پاسخ می‌دهد. سری زمانی مالی و پاسخ‌های معامله‌گر در یک پایگاه داده (DHT + blockchain) ذخیره می‌شوند که بعدها برای تصمیم‌گیری مورد استفاده قرار خواهند گرفت. هدف این آزمایش، ارزیابی شباهت مشاهدات گذشته و حقیقی و اتخاد تصمیمات آینده بر اساس تجارب گذشته است. به منظور حفظ قابلیت تکثیر باید از یک نمونه بزرگ استفاده شود.

جدول ۳ نمونه‌ای کوچک از سوالات برای ارزیابی استراتژی‌های معاملاتی را نشان می‌دهد.

MyProfile یک اینترفیس اختصاصی فرضی است که از بلاکچین برای ذخیره سری‌های زمانی تاریخی و شاخص‌های کمَی آن‌ها (میانگین متحرک، نوسانگر تصادفی و غیره …) و پاسخ‌های ارائه شده توسط معامله‌گران انسانی استفاده می‌کند.

مرحله پرسشنامه پس از مرحله راه‌اندازی و قبل از مرحله اجرا رخ می‌دهد. در طول مرحله اجرا، DAC از استخراج ویژگی (MA، Stoch.) و جستجوی شباهت برای داده‌های سری زمانی استفاده می‌کند.

یافتن میزان یک مجموعه زمانی مشخص به یک مجموعه دیگر برای سال‌ها یکی از عرصه‌های فعال تحقیقاتی بوده است و در حال حاضر روش‌های متنوعی برای اندازه‌گیری شباهت بین مجموعه داده‌های سری زمانی وجود دارد.

هدف ما ارائه یک بررسی جامع از تمهیدات مختلف پیشنهادی برای عدم شباهت نیست. پارامترهای معیار کلاسیک عبارتند از:

  • فاصله اقلیدسی،
  • تاب‌دادن زمان هوشمند (DTW). DTW از طریق همراستاسازی بهینه سری زمانی در ابعاد زمانی کار می‌کند، به نحوی که هزینه انباشته این همراستاسازی به حداقل برسد.
  • و غیره.

هر یک از این پارامترهای متریک بینشی در مورد میزان شباهت بین سری‌های زمانی به دست می‌دهند. این شاخص‌ها/گزاره‌ها ممکن است گاهی متناقض باشند، به عنوان مثال فاصله اقلیدسی ممکن است نشان دهد که سیگنال به الگوی اول شباهت دارد، در حالی که DTW نشان می‌دهد که همبستگی با الگوی ۳ بالاتر است.

اندازه فضای فاز (مجموعه‌ای از پارامترهای متریک) می‌تواند حاوی تعداد زیادی بعد باشد، بنابراین شاید یک الگوریتم خوشه‌بندی مانند k-means برای انتساب یک خوشه به نقطه داده مناسب‌تر باشد. علاوه بر این، اگر فاصله داده‌ها به مرکز بیش از حد آستانه باشد، DAC می‌تواند تصمیم به عدم ارائه رأی AA گرفته و خواستار رأی‌های انسانی شود.

به دلیل اندازه فضای فاز، شاید یک الگوریتم خوشه‌بندی مانند k-means برای انتساب یک خوشه به نقطه داده مناسب‌تر باشد. اگر فاصله داده‌ها به مرکز بیش از حد آستانه باشد، DAC می‌تواند تصمیم به عدم ارائه رأی AA گرفته و خواستار رأی‌های انسانی شود.

 یک الگوریتم خوشه‌بندی k-Means با استفاده از سه خوشه

شکل ۶ نشان می‌دهد که یک الگوریتم خوشه‌بندی k-Means با استفاده از سه خوشه چه به دست می‌دهد.

نمونه یک پرسشنامه دریافت شده توسط یک معامله‌گر انسانی.

جدول ۳: نمونه یک پرسشنامه دریافت شده توسط یک معامله‌گر انسانی.

تصمیم‌گیری با شبکه‌های عصبی

در این بخش یک رویکرد نوآورانه برای تصمیم‌گیری با استفاده از الگوریتم یادگیری عمیق ارائه می‌گردد.

شبکه‌های عصبی (NN) به جای استفاده از کاهش یا مجموعه‌ای از قوانین، بر توانایی تشخیص الگوها از طریق تجربه تکیه می‌کنند. اگرچه NNها اساسا تشخیص الگوی سازگار محسوب می‌شوند، بسیاری از محققان در گذشته از NNها در موقعیت‌های تصمیم‌گیری کسب‌وکار استفاده کرده‌اند.

تنظیمات موجود در معماری NN، به کاربر (انسان یا مصنوعی) امکان می‌دهد تا ساختارهای پیچیده را با رفتارهای بسیار غنی و هوشمند طراحی کند. برای مثال، کاربر می‌تواند:

  • متغیرهای ورودی یا متغیرهای هدف را استانداردسازی کند،
  • تابع خطا، نوع انتقال و توابع فعال‌سازی را مشخص کند،
  • لایه‌های پنهان اضافه کند،
  • و غیره.

هدف ما نه ارائه یک بررسی جامع در مورد معماری NN، بلکه این که است که براساس مدل ساده NN نشان دهیم که رویکردهای شبکه عصبی را می‌توان برای مسائل ساختن رأی‌دهی مورد استفاده قرار داد.

برای مساله حاضر، بردار داده ورودی که NN را تغذیه می‌کند می‌تواند از موارد زیر تشکیل شود:

  • متغیرهای بولی (صحیح/غلط) مربوط به سیگنال MA (فروش/خرید)
  • مقادیر عددی (آهنگ یا سرعت قیمت)
  • شاخص نوسانگر اتفاقی (خرید بیش از حد/فروش بیش از حد)
  • و غیره.

معماری شبکه‌ای که در اینجا پیشنهاد شده بسیار ساده است. این معماری از لایه‌ای از گره‌های ورودی و یک گره خروجی تشکیل می‌شود (شکل ۷ را ببینید)

معماری یک شبکه عصبی ساده

شکل ۷: معماری یک شبکه عصبی ساده. گره‌های لایه ورودی منفعل هستند ولی مقادیری را بازپخش می‌کنند. در مقابل، لایه خروجی فعال است و سیگنال‌ها را مطابق با شکل ۸ اصلاح می‌کند. عمل این شبکه عصبی بر اساس وزن‌های اعمال شده در گره خروجی تعیین می‌شود.

گره فعال شبکه عصبی هر ورودی با یک وزن (مقادیر wn) ضرب و سپس جمع می‌شود. در نتیجه یک مقدار واحد تولید می‌گردد که از یک تابع غیر خطی «s» شکل به نام سیگمویید عبور می‌کند.

شکل ۸: گره فعال شبکه عصبی هر ورودی با یک وزن (مقادیر wn) ضرب و سپس جمع می‌شود. در نتیجه یک مقدار واحد تولید می‌گردد که از یک تابع غیر خطی «s» شکل به نام سیگمویید عبور می‌کند.

مرحله اول شامل آموزش DAC است. باید یک آموزش روندگرا به موازات یک آموزش پیش‌بینی‌گرا توسعه داده شود تا پیش‌بینی روند بازار سهام بهبود یابد. اهداف پیش‌بینی شده بر اساس میانگین متحرک، نوسانگر تصادفی و غیره برای یادگیری ماشین استفاده می‌شوند و شاخص‌های متریک مانند گرایش، MACD و غیره و ترکیبات آن‌ها به عنوان سیگنال‌های ورودی سیستم انتخاب می‌شوند. خروجی بالقوه می‌تواند دسته {خرید، نگهداری، فروش} باشد. این آموزش روندگرا، برای شکار روندهای پویای قیمتی، اهداف آموزشی قابل اعتمادی به سیستم ارائه می‌دهد.

کار با قرارداد: پرداخت برای عملکرد

مثال: شخصی پیشنهادی برای ساختن ایستگاه فضایی در مریخ ارائه می‌دهد. ما برای پیاده‌سازی این پیشنهاد، به گستره‌ای از فناوری‌ها، مهارت‌ها و خدمات نیاز خواهیم داشت:

  • طراحان وب و متخصصان توسعه وب برای به ساخت یک وب سایت خلاق جمع‌سپاری
  • مدیران پروژه، معماران و توسعه‌دهندگان برای طراحی و پیاده‌سازی پروژه
  • خرید ایستگاه فضایی مریخی از یک ارائه‌دهنده موجود یا ساخت ایستگاه خود
  • استفاده از رمز ارز برای خدمات و کالاها
  • و غیره.

ضمیمه ۱

چک لیست کیفیت

جدول ۴: چک لیست برای ارزیابی کیفیت پیمانکار فرعی. پاسخ سوالات رتبه‌بندی شده و امتیاز آن.

شاید از این مطالب هم خوشتان بیاید.

ارسال پاسخ

آدرس ایمیل شما منتشر نخواهد شد.