การเรียนรู้ของเครื่อง
Archimedes ได้รับการคิดค้นทฤษฎี ทดสอบ และฝึกฝนพร้อมกันมาเป็นเวลาเกือบหนึ่งปี
การออกแบบโมเดล
สำหรับโมเดล AI ใดๆ ชุดข้อมูลนำเข้าแต่ละชุดต้องได้รับการกำหนดและตัดสินใจในที่สุดเพื่อฝึกอัลกอริทึม
ทีมการเรียนรู้ของเครื่องของ Mozaic ปัจจุบันดึงข้อมูลเป็นบล็อคต่อบล็อคและข้อมูลราคาเหรียญผ่านฟีดทุกนาทีเมื่อทำการสร้างโมเดล
สิ่งนี้มีเหตุผลเฉพาะ:
แต่ละเชนมีความถี่ในการอัปเดตที่แตกต่างกัน
ข้อมูล APY แบบบล็อคต่อบล็อคสามารถวัดเชิงปริมาณได้และรวมเมตริกอื่นๆ จำนวนมาก
ข้อมูลราคาโทเค็นทุกนาทีเป็นสิ่งสำคัญสำหรับการขายโทเค็นดั้งเดิมของโปรโตคอล (เมื่อทำฟาร์ม) ในตลาดที่ผันผวน
การฝึก Archimedes ให้กลายเป็นนักทำฟาร์มผลตอบแทนที่มีประสิทธิภาพสูงสุด
กรณีทดสอบเริ่มต้น
การจำลอง 14 วันเริ่มต้น (7 - 14 เมษายน 2022) ได้ดำเนินการในทางทฤษฎีกับ Archimedes และวอลท์สเตเบิลคอยน์ของ Mozaic โดยทำฟาร์มบน cBridge.
Archimedes ปรับสมดุลเงินทุนบนเชน Avalanche เป็นเวลาประมาณห้าวันจากสิบสี่วัน เชน Ethereum สี่วัน และการสลับกันระหว่าง Optimism, Polygon, Fantom และ Ethereum อีกครั้งสำหรับห้าวันที่เหลือ การเพิ่มขึ้นอย่างรวดเร็วของผลตอบแทนบน AAVE ก็ถูกจับได้ (27%) สำหรับส่วนใหญ่ของหนึ่งในวันเหล่านั้น
การใช้ประโยชน์จากวอลท์สเตเบิลคอยน์แบบ omnichain ของ Mozaic ตลอด 14 วันให้ผลตอบแทนที่คาดหวังรายวันแบบเรขาคณิตประมาณ 19.02%
การปล่อยสินทรัพย์ 100% ของคุณไว้ในวอลท์ที่มีประสิทธิภาพดีที่สุดในช่วงเวลา 14 วันเดียวกันให้ผลตอบแทนเพียง 13.98%
ตัวปรับการวางเดิมพันให้เหมาะสม
มีการทดสอบแบบสดสำหรับ Archimedes โดยทำฟาร์มบนพูลการวางเดิมพันฝั่งเดียวของ Stargate
ในระหว่างกระบวนการนี้ เครื่องมือดึงข้อมูล APY ได้ถูกพัฒนาขึ้นเพื่อจับข้อมูลการสร้างโมเดลที่จำเป็นในการฝึก Archimedes เครื่องมือดึงข้อมูลนี้ดึงข้อมูล APY ใดๆ เป็นบล็อคต่อบล็อค
ตัวปรับการซื้อขายให้เหมาะสม
โปรโตคอลใช้โทเค็นดั้งเดิมของตนเป็นรางวัลเพื่อเพิ่ม APY ของพวกเขา
มีการทดสอบสดอีกครั้งบน Stargate เพื่อแสดงความได้เปรียบในการแข่งขันที่ได้รับเมื่อ Archimedes ขายรางวัลโทเค็นดั้งเดิม
Last updated
