Ushbu yozuv Decentraland ekotizimidagi MANA tokeni uchun hamjamiyat kayfiyati bilan narx prognozi o‘rtasidagi bog‘liqlikni tahlil qilgan akademik tadqiqot asosida tayyorlangan. Ko‘rib chiqilgan tadqiqot Leveraging Large Language Models for Sentiment Analysis: Multi-Modal Analysis of Decentraland’s MANA Token nomini olgan.

Tadqiqotning maqsadi Decentraland Discord hamjamiyatidagi xabarlardan olingan sentiment signallari MANA token daromadini prognoz qilishda narx ma’lumotiga qo‘shimcha qiymat beradimi-yo‘qmi, shuni o‘lchashdir. Buning uchun RoBERTa asosidagi sentiment tasniflagichi qo‘llanib, keyin LSTM modellari bilan price-only va multi-modal prognoz tuzilmalari taqqoslangan.

Ushbu kontent investitsiya tavsiyasi emas. Tadqiqot Decentraland hamjamiyat ma’lumotlari va MANA bozor ma’lumotlari ustida akademik prognoz tajribasini taqdim etadi. Natijalar tarixiy ma’lumotlar, muayyan model farazlari va cheklangan ma’lumot davriga asoslanadi. Shu sababli uni bevosita oldi-sotdi tavsiyasi yoki aniq bozor prognozi sifatida talqin qilish kerak emas.

Yangi akademik tadqiqot Decentraland’ning MANA tokeni uchun Discord hamjamiyat xabarlarini narx, hajm va bozor kapitalizatsiyasi bilan birlashtirib token daromadini prognoz qilishga urinadi. Tadqiqotda RoBERTa asosidagi sentiment modeli yordamida Discord xabarlari ijobiy, neytral va salbiy sifatida tasniflanadi. Keyin price-only LSTM modeli sentiment, hajm va bozor kapitalizatsiyasini ham o‘z ichiga olgan multi-modal LSTM modeli bilan taqqoslanadi. Topilmalar hamjamiyat sentimenti prognoz xatosini kamaytirishi mumkinligini ko‘rsatadi; biroq manfiy \(R^2\) qiymatlari model MANA daromadlaridagi keng bozor o‘zgaruvchanligini hali ham yetarlicha tushuntira olmayotganini ko‘rsatadi.

Muammo nima?

Metaverse loyihalari faqat texnik platformalar emas, balki hamjamiyatlar faol muloqot qiladigan raqamli iqtisodiyotlardir. Decentraland kabi virtual olamlarda foydalanuvchilar raqamli yer, avatar, tadbirlar, NFT va boshqaruv jarayonlari atrofida doimiy aloqa qiladi. Bu muloqotlarning bir qismi platformaga bo‘lgan ishonch, qoniqish yoki hafsalasizlikni aks ettirishi mumkin.

MANA tokeni Decentraland ekotizimida virtual aktivlar tranzaksiyalari va boshqaruv bilan bog‘liq kripto aktivdir. Shu sababli hamjamiyat kayfiyati token narxi yoki daromadi bilan bog‘liqmi-yo‘qmi, muhim tadqiqot savolidir.

Tadqiqotning asosiy muammosi quyidagicha: Discord kabi hamjamiyat kanallaridan olinadigan sentiment signallari faqat narx tarixiga asoslangan prognoz modellaridan yaxshiroq natija bera oladimi?

Bu savol ayniqsa metaverse iqtisodiyotlari uchun muhim. Chunki bunday loyihalarda narx harakatlariga nafaqat makro kripto bozori, balki platformadagi foydalanuvchi tajribasi, hamjamiyat qiziqishi, tadbirlar, texnik muammolar va boshqaruv haqidagi tasavvurlar ham ta’sir qilishi mumkin.

Usul nimani taklif qiladi?

Tadqiqot ikkita asosiy ma’lumot manbasini birlashtiradi. Birinchi manba MANA tokeniga oid kunlik bozor ma’lumotlaridir. Bu ma’lumotlar open, high, low, close narxlari, savdo hajmi va bozor kapitalizatsiyasi kabi klassik moliyaviy maydonlarni o‘z ichiga oladi. Ikkinchi manba esa Decentraland Discord hamjamiyatidagi #general kanal xabarlaridir.

Matnli ma’lumotlar uchun RoBERTa asosidagi ijtimoiy tarmoq sentiment modeli qo‘llanadi. Har bir xabar ijobiy, neytral yoki salbiy sentiment yorlig‘ini oladi. Keyin kunlik sentiment skori hisoblanadi. Ushbu kunlik skor narx, hajm va bozor kapitalizatsiyasi bilan birga multi-modal LSTM modeliga beriladi.

Tadqiqotda ikkita LSTM yondashuvi taqqoslanadi:

Price-only baseline: Model faqat tipik narx ma’lumotidan foydalanadi.

Multi-modal model: Model tipik narx, savdo hajmi, bozor kapitalizatsiyasi va kunlik Discord sentiment skoridan birgalikda foydalanadi.

Bu taqqoslash sentiment ma’lumotlari price-only modelga nisbatan qo‘shimcha axborot beradimi-yo‘qmi, shuni tekshirishga qaratilgan.

Formulalar nimani anglatadi?

Tadqiqotdagi formulalar MANA narxi qanday ifodalanishini, daromad qanday hisoblanishini, Discord xabarlaridan kunlik sentiment skori qanday olinishi va LSTM prognoz modelining asosiy tuzilishini ko‘rsatadi.

1. Tipik narx

Tadqiqotda kunlik narxni bitta vakillik qiymatiga keltirish uchun tipik narx qo‘llanadi:

Bu yerda \(P_t^H\) kun ichidagi eng yuqori narxni; \(P_t^L\) kun ichidagi eng past narxni; \(P_t^C\) yopilish narxini anglatadi. Tipik narx faqat yopilish narxiga qarash o‘rniga kun ichidagi narx diapazonini yumshatilgan shaklda ifodalaydi.

2. Uzluksiz daromad

Token daromadi tipik narx asosida logarifmik daromad sifatida hisoblanadi:

Bu formula ketma-ket ikki kun orasidagi nisbiy narx o‘zgarishini o‘lchaydi. Log daromaddan foydalanish moliyaviy vaqt qatorlarida narx darajalarini taqqoslanadigan holga keltirish uchun keng tarqalgan usuldir.

3. Xabar darajasidagi sentiment yorlig‘i

Har bir Discord xabari uchun model sentiment yorlig‘ini yaratadi:

Bu yerda \(+1\) ijobiy, \(0\) neytral, \(-1\) salbiy sentimentni anglatadi. \(i\) shu kun ichidagi xabarni; \(t\) esa kunni bildiradi.

4. Kunlik sentiment skori

Kunlik sentiment xabar sentimenti va model ishonchi birgalikda qo‘llanib hisoblanadi:

Bu yerda \(n_t\) — \(t\) kunidagi xabarlar soni. \(\gamma_{i,t}\) modelning tegishli xabar uchun ishonch skorini anglatadi. Bu tuzilma faqat yorliq yo‘nalishini emas, modelning shu yorliqqa qanchalik ishonganini ham hisobga oladi.

5. Sentiment sinflari

Tadqiqotda kunlik sentiment skori uchta hududga ajratiladi:

Ushbu chegaralar kunlik hamjamiyat kayfiyatini ijobiy, neytral yoki salbiy tarzda umumlashtirish uchun qo‘llanadi.

6. LSTM kirish o‘zgaruvchilari

Price-only modelda kirish faqat tipik narxdir:

Multi-modal modelda esa kirish vektori to‘rtta tarkibiy qismdan iborat:

Bu yerda \(V_t\) savdo hajmini; \(M_t\) bozor kapitalizatsiyasini; \(S_t\) kunlik Discord sentiment skorini anglatadi. Ushbu tuzilma modelga faqat narx tarixini emas, hamjamiyat ma’lumotlari va bozor kattaligi haqidagi ma’lumotni ham hisobga olish imkonini beradi.

7. LSTM darvoza tuzilmasi

Tadqiqotda LSTMning asosiy darvoza mexanizmi soddalashtirilgan holda quyidagicha ko‘rsatiladi:

Bu yerda \(i_t\) kirish darvozasini; \(o_t\) chiqish darvozasini anglatadi. \(\sigma\) sigmoid funksiyasidir. LSTM ushbu darvozalar yordamida o‘tgan ma’lumotning qancha qismini saqlash va yangi kirishni qanchalik hisobga olishni o‘rganishga harakat qiladi.

8. O‘rtacha kvadratik xato

Prognoz samaradorligini o‘lchash uchun ishlatiladigan birinchi metrika MSE:

MSE katta prognoz xatolarini keskinroq jazolaydi. U model daromadni qanchalik yaqin prognoz qilganini o‘lchash uchun ishlatiladi.

9. O‘rtacha mutlaq xato

Ikkinchi xato metrikasi MAE:

MAE prognoz xatolarining o‘rtacha mutlaq kattaligini beradi. U chet qiymatli xatolarga MSE kabi keskin javob bermaydi.

10. Tushuntirish kuchi: \(R^2\)

Model daromad o‘zgaruvchanligining qancha qismini tushuntira olishi \(R^2\) bilan o‘lchanadi:

\(R^2\) musbat bo‘lsa, model o‘rtacha prognozga nisbatan ko‘proq tushuntirish kuchiga ega deb hisoblanadi. Ushbu tadqiqotda ikkala modelda ham \(R^2\) manfiy bo‘lib qolgan. Bu sentiment va bozor ma’lumotlari qo‘shilgan taqdirda ham MANA daromadlaridagi keng o‘zgaruvchanlik hali yetarlicha tushuntirilmaganini ko‘rsatadi.

Grafik, jadval va sxemaning asosiy xabari

PDFdagi 1-rasm tadqiqotning ma’lumot oqimini ko‘rsatadi. Discord xabarlari RoBERTa asosidagi sentiment modelidan o‘tkaziladi. Kunlik sentiment skori \(S_t\) hosil qilinadi. Keyin bu skor tipik narx \(\tau_t\) va savdo hajmi \(V_t\) kabi moliyaviy ko‘rsatkichlar bilan birga LSTM prognoz modeliga uzatiladi.

2-rasm hamjamiyat sentimentining taqsimoti va model samaradorligini umumlashtiradi. Discord xabarlarining katta qismi neytral sinfda to‘plangan. Tadqiqotda ijobiy xabarlar ulushi taxminan %26,94, neytral xabarlar ulushi %60,96, salbiy xabarlar ulushi esa %12,10 deb xabar qilingan. Bu taqsimot hamjamiyat kayfiyati umumiy holda neytral, biroq ijobiy tomonga biroz og‘ganini ko‘rsatadi.

Model samaradorligi bo‘yicha multi-modal tuzilma price-only LSTM modeliga qaraganda xato ko‘rsatkichlarini kamaytirgan. Asosiy natijalar bo‘limida MSE qiymati 0.002100 dan 0.001528 ga, MAE qiymati esa 0.0297 dan 0.0241 ga tushgani qayd etiladi. Biroq ikkala modelda ham \(R^2\) manfiy qolganligi sababli, bu yaxshilanish ehtiyotkorlik bilan talqin qilinishi kerak.

PDFning ilova qismidagi model taqqoslash jadvali ham o‘xshash xabar beradi. Sakkizta mustaqil ishga tushirishning o‘rtachasida price-only model uchun MSE 5.84, sentiment qo‘shilgan model uchun 5.40 deb xabar qilingan. O‘rtacha MAE ham juda oz kamaygan, \(R^2\) esa -0.266 darajasidan -0.170 darajasiga yaxshilangan. Bu sentiment ma’lumoti hissa qo‘sha olishini, biroq hali kuchli tushuntiruvchi model hosil qilmaganini ko‘rsatadi.

Tajribalar qanday o‘tkazilgan?

Tadqiqotda MANA tokeniga oid kunlik OHLCV ma’lumotlari qo‘llangan. Ma’lumot davri 15 iyun 2023 bilan 14 iyun 2024 oralig‘idagi 366 kunni qamrab oladi. Bozor ma’lumotlari open, high, low, close, trading volume va market capitalization maydonlarini o‘z ichiga oladi.

Matnli ma’lumotlar tomonida Decentraland Discord hamjamiyatining #general kanalidagi xabarlar ishlatilgan. Dastlab 5.883 ta xabar to‘plangan, yaroqsiz yozuvlar chiqarilgach, yakuniy matn korpusi 5.513 ta xabardan iborat bo‘lgan.

Har bir xabar RoBERTa asosidagi sentiment modeli bilan tasniflangan. Keyin xabarlar kunlik darajada birlashtirilib, \(S_t\) sentiment skori hisoblangan.

Prognoz qismida LSTM modeli qo‘llangan. Price-only model faqat tipik narxdan foydalangan bo‘lsa, multi-modal model tipik narx, savdo hajmi, bozor kapitalizatsiyasi va sentiment skoridan birgalikda foydalangan. Samaradorlik MSE, MAE va \(R^2\) metrikalari bilan o‘lchangan.

Natijalar nimani ko‘rsatadi?

Tadqiqotning birinchi natijasi Decentraland Discord hamjamiyatida sentiment asosan neytral ekanidir. Neytral xabarlarning ko‘pchilikni tashkil etishi hamjamiyatda doimiy ravishda haddan tashqari optimistik yoki haddan tashqari pessimistik kayfiyat yo‘qligini ko‘rsatadi. Shu bilan birga, ijobiy xabarlar ulushi salbiy xabarlar ulushidan yuqori.

Ikkinchi natija salbiy sentiment sakrashlari ko‘proq foydalanuvchi darajasidagi texnik muammolar bilan bog‘liq ko‘rinishidir. Bu muhim farq. Chunki Discord sentimenti har doim makro bozor signalini bermasligi mumkin; ba’zan u platformadagi foydalanuvchi tajribasini bevosita aks ettirishi mumkin.

Uchinchi natija sentiment ma’lumotlari prognoz samaradorligiga cheklangan, ammo o‘lchanadigan hissa qo‘sha olishidir. Multi-modal model price-only modelga qaraganda MSE va MAE qiymatlarini kamaytirgan. Bu hamjamiyat xabarlaridan olingan signal mutlaqo ma’nosiz emasligini ko‘rsatadi.

To‘rtinchi va eng ehtiyotkor natija \(R^2\) bilan bog‘liq. Ikkala modelda ham \(R^2\) manfiy bo‘lib qolgan. Bu MANA token daromadini faqat narx, hajm, bozor kapitalizatsiyasi va Discord sentimenti bilan kuchli tarzda tushuntirib bo‘lmasligini ko‘rsatadi. Boshqacha aytganda, model qisqa muddatli xato o‘lchovlarida yaxshilansa ham, umumiy bozor dinamikasini to‘liq qamrab olmaydi.

Bu nima uchun muhim?

Ushbu tadqiqot metaverse iqtisodiyotlarida hamjamiyat ma’lumotlarini moliyaviy prognoz modellariga qanday kiritish mumkinligini ko‘rsatishi jihatidan muhim. Decentraland kabi platformalarda Discord shunchaki suhbat maydoni emas; u foydalanuvchilarning qoniqishi, texnik muammolari, kutishlari va platformaga qiziqishini aks ettiruvchi hamjamiyat signalidir.

Moliyaviy prognoz modellari ko‘pincha narx va hajm ma’lumotlariga asoslanadi. Biroq kripto va metaverse loyihalarida hamjamiyat qiziqishi, boshqaruvdagi ishtirok va ijtimoiy sentiment ham muhim bo‘lishi mumkin. Ushbu tadqiqot bu ijtimoiy signallar modelga qo‘shilganda xato ko‘rsatkichlarida yaxshilanish bo‘lishi mumkinligini ko‘rsatadi.

Biroq natijalar ehtiyotkor bo‘lish kerakligini ham ko‘rsatadi. Discord sentimenti platforma ichidagi tajribani aks ettirishi mumkin; lekin u butun kripto bozorini, makro yangiliklarni, likvidlik sharoitlarini yoki investor xatti-harakatini yakka o‘zi tushuntira olmaydi. Shu sababli hamjamiyat sentiment ma’lumoti mustaqil prognoz dvigateli emas, balki kengroq multi-modal tahlil tizimining bir qismi sifatida ko‘rilishi kerak.

E’tibor beriladigan jihatlar

Bu tadqiqot investitsiya tavsiyasi emas. MANA yoki boshqa kripto aktiv uchun oldi-sotdi tavsiyasini o‘z ichiga olmaydi.

Ma’lumot davri atigi 366 kunni qamrab oladi. Uzunroq davrlarda va boshqa bozor rejimlarida natijalar o‘zgarishi mumkin.

Discord ma’lumotlari barcha investorlarni ifodalamasligi mumkin. Faol Discord foydalanuvchilari MANA investorlari yoki Decentraland foydalanuvchilarining faqat muayyan kichik guruhini aks ettirishi mumkin.

Sentiment modeli umumiy ijtimoiy tarmoq tilida o‘qitilgan RoBERTa asosidagi modeldir. Metaverse va kripto sohasiga xos kinoya, jargon, texnik shikoyat yoki hamjamiyat ichki kontekstini har doim ham to‘g‘ri anglamasligi mumkin.

Manfiy \(R^2\) qiymatlari modelning tushuntirish kuchi cheklanganini ko‘rsatadi. Shu sababli xato metrikalaridagi yaxshilanishni bo‘rttirib talqin qilmaslik kerak.

Tadqiqotda makro kripto bozori, Bitcoin ta’siri, Ethereum tarmog‘i sharoitlari, NFT hajmi, Decentraland ichki yer faolligi yoki yirik birja likvidligi kabi qo‘shimcha o‘zgaruvchilar qo‘llanmagan. Bu o‘zgaruvchilar kelgusida yanada keng qamrovli modellar uchun muhim bo‘lishi mumkin.

Xulosa

Ushbu akademik tadqiqot Decentraland Discord hamjamiyatidan olingan sentiment signallari MANA token prognoz modellariga cheklangan, ammo mazmunli hissa qo‘sha olishini ko‘rsatadi. Multi-modal LSTM modeli price-only modelga qaraganda MSE va MAE qiymatlarini kamaytirgan.

Biroq tadqiqot muhim ogohlantirishni ham beradi: hamjamiyat sentimenti yakka o‘zi kuchli bozor tushuntirish modeli emas. Manfiy \(R^2\) qiymatlari MANA daromadida hali ham tushuntirilmagan sezilarli o‘zgaruvchanlik mavjudligini ko‘rsatadi.

Verianla nuqtai nazaridan ushbu tadqiqotning asosiy xabari shunday: metaverse va kripto iqtisodiyotlarida hamjamiyat ma’lumotlari muhim; biroq bu ma’lumot faqat narx, hajm, bozor kapitalizatsiyasi, platforma faolligi va kengroq bozor sharoitlari bilan birga baholanganda ko‘proq ma’no kasb etadi.

Manba va usul bo‘yicha izoh

Ushbu kontent Leveraging Large Language Models for Sentiment Analysis: Multi-Modal Analysis of Decentraland’s MANA Token nomli akademik PDF ko‘rib chiqilib tayyorlangan. Matn so‘zma-so‘z tarjima emas. Tadqiqotning maqsadi, ma’lumot tuzilmasi, asosiy formulalari, usullari, natijalari va cheklovlari Verianla o‘quvchilari uchun soddalashtirilgan, original va tahririy o‘zbek tilida qayta bayon qilingan.

Formulalar tadqiqotdagi asosiy matematik tuzilishga sodiq qolgan holda MathJax bilan mos LaTeX formatida berilgan. Yozuv investitsiya tavsiyasi, token tavsiyasi yoki jonli savdo signali emas.