Maskininlärning
Archimedes har teoretiserats, testats och tränats samtidigt under nästan ett år.
Modelldesign
För varje AI-modell måste varje uppsättning indata först definieras och slutligen bestämmas för att träna algoritmen.
Mozaics maskininlärningsteam extraherar för närvarande data block för block och myntkursdata genom enminutsflöden vid modellering.
Detta har specifika skäl:
Varje kedja har olika uppdateringsfrekvenser
Block-för-block APY-data är kvantifierbar och innefattar många andra mätvärden
Enminuts tokenprisdata är nyckeln för att sälja protokollets egna tokens (vid odling) på en volatil marknad
Träning av Archimedes för att bli den mest effektiva avkastningsodlaren.
Inledande testfall
En initial 14-dagarssimulering (7-14 april 2022) genomfördes teoretiskt med Archimedes och Mozaics stablecoin-valv, odling på cBridge.
Archimedes ombalanserade medel på Avalanche-kedjan under cirka fem av de fjorton dagarna, Ethereum-kedjan under fyra, och en alternerande kombination av Optimism, Polygon, Fantom och Ethereum igen under de andra fem dagarna. Toppar i avkastning på AAVE fångades också (27%) under en stor del av en av dagarna.
Utnyttjandet av Mozaics omnichain stablecoin-valv under de 14 dagarna gav en geometrisk daglig förväntad avkastning på cirka 19,02%.
Att lämna 100% av dina tillgångar i det bäst presterande valvet under samma 14-dagarsperiod gav endast 13,98%.
Stakingoptimerare
Ett livetest genomfördes för Archimedes, odling på Stargate ensidiga stakingpooler.
Under denna process utvecklades ett APY-dataextraktionsverktyg för att fånga nödvändig modelleringsdata för att träna Archimedes. Detta extraktionsverktyg extraherar all APY-data block för block.
Handelsoptimerare
Protokoll använder sin egen token som belöningar för att öka sina APY:er.
Ett annat livetest genomfördes på Stargate för att visa en konkurrensfördel som uppnås när Archimedes säljer belöningar i form av protokollets egna tokens.
Last updated
