Rimodellare il gioco on-chain: come il progetto leader di Monad, aPriori, ha guidato la rivoluzione del trading con l'intelligenza artificiale e il piano di contribuzione dei dati è stato lanciato contemporaneamente

Fonte originale: aPriori

Forti scommesse da parte di istituzioni di alto livello come Pantera Capital, YZi Lab, OKX Ventures e altre, aPriori sta ricostruendo le convinzioni alla base del trading decentralizzato. I membri principali del progetto provengono da Jump, Coinbase, Citadel Securities e dYdX, combinando la tecnologia nativa on-chain con l'esperienza pratica nel trading ad alta frequenza a Wall Street, aPriori sta costruendo un sistema di esecuzione delle transazioni di nuova generazione su catene pubbliche ad alte prestazioni, iniettando un'infrastruttura di trading veramente competitiva nella DeFi.

aPriori sta riscrivendo completamente il processo di transazione on-chain: attraverso aggregatori DEX basati sull'intelligenza artificiale e moduli di staking di liquidità supportati da MEV, aPriori integra gli ordini dall'inserimento degli ordini, al matching al rendimento a ciclo chiuso, in un sistema di prodotti sostenibile.

Dopo il lancio da parte del team dell'aggregatore DEX basato sull'intelligenza artificiale Swapr la scorsa settimana, aPriori ha messo gli occhi sul "cervello del riconoscimento" delle transazioni on-chain, noto come sistema di segmentazione del flusso degli ordini. Questo sistema combina l'etichettatura comportamentale, il clustering dei wallet, l'analisi dell'intelligenza artificiale e i meccanismi di feedback on-chain, con l'obiettivo di rendere ogni transazione più intelligente ed equa, evitando "flussi tossici" come lo slippage dell'arbitraggio e inviando liquidità dove dovrebbe andare di più. Non solo rende le transazioni più intelligenti, ma rende anche il flusso dell'intero mercato on-chain più ordinato e fiducioso.

"Comprendere ogni transazione è il punto di partenza per un'esecuzione equa".

Il riconoscimento del flusso degli ordini è una delle tecnologie principali di aPriori, che analizza il comportamento delle transazioni, la cronologia del portafoglio e la reazione del mercato per determinare se una transazione è una normale operazione dell'utente o un "flusso tossico" come l'arbitraggio o il pizzicamento. Rispetto alle transazioni tradizionali che si limitano a verificare se la transazione è stata eseguita, questo metodo di identificazione può filtrare i potenziali rischi in anticipo, fornire ai LP una controparte più sicura e migliorare la selezione del percorso e l'equità dell'esecuzione.

"Tecnologia + Ecologia: il momento perfetto per appartenere a Monad"

Le caratteristiche dei dati variano tra i diversi ecosistemi di catene pubbliche: Solana ha transazioni ad alta velocità e utenti attivi, ma a causa del gran numero di contratti closed-source, i dati disponibili per la formazione sono limitati; Sebbene Ethereum e altre catene EVM dispongano di dati aperti, sono limitati da colli di bottiglia delle prestazioni e il comportamento complessivo delle transazioni è conservativo e la densità dei dati è bassa.

Monad raggiunge un raro equilibrio tra prestazioni e trasparenza: combina l'elevato throughput in stile Solana con uno stile di trading aggressivo, pur mantenendo la leggibilità e l'apertura offerte dall'architettura EVM. Questo fornisce ad aPriori il terreno ideale per costruire la prossima generazione di modelli di riconoscimento del flusso degli ordini.

"I dati degli utenti non riguardano solo il coinvolgimento, ma anche la formazione della prossima generazione di intelligenza di trading".

Programma di contribuzione dei dati della comunità: per addestrare l'intelligenza artificiale a riconoscere il comportamento delle transazioni in modo più intelligente, aPriori ha lanciato un programma di contribuzione dei dati coinvolto nella comunità. Ogni utente può aiutare il modello a "capire" meglio il mondo on-chain completando le seguenti semplici azioni.

Portafogli vincolanti: collega gli indirizzi dei portafogli utilizzati di frequente dagli utenti per fornire una visione più completa del comportamento.

· Catena di supporto:Ethereum, BNB Chain, Monad testnet;

Account social sincronizzati: facoltativamente collega Twitter, Discord, ecc. per aggiungere più indizi sull'identità;

Check-in e monitoraggio delle attività: il pannello dedicato mostra i record di accesso degli utenti, il comportamento delle transazioni e l'avanzamento dei contributi.

Questi dati possono aiutare il sistema a determinare quali indirizzi appartengono allo stesso utente e se sono presenti operazioni collaborative, migliorando la capacità dell'intelligenza artificiale di identificare i tipi di transazione e i rischi.

"Come si fa a sapere se una transazione contiene un flusso tossico?"

Nel motore principale di Swapr, ogni transazione viene valutata da un modello di intelligenza artificiale prima di essere confermata, principalmente con riferimento ai seguenti punti:

· La transazione stessa: direzione di acquisto e vendita, percorso valutario, gas, commissioni di gestione, slippage, ecc.;

· Cronologia degli indirizzi: frequenza delle transazioni, comportamento passato, cambiamenti di asset;

Reazione del mercato: azione dei prezzi entro 1 secondo a 24 ore dopo il trading;

Giudizio sul profitto: se la transazione è redditizia in momenti diversi e se può danneggiare il LP.

Il modello identifica se ogni transazione appartiene a un "flusso tossico", come l'arbitraggio o il pizzicamento, e determina la sua potenziale minaccia per l'equità del sistema.

"Più complesso è il modello, meglio è, ma più si capisce il trading, più è prezioso".

Da Rule Engine a AI Neural Network: aPriori non si limita a un singolo algoritmo, ma fonde modelli tradizionali (XGBoost, LightGBM) con modelli di temporizzazione (RNN, Transformer). Il primo è efficiente nell'interpretazione dei dati strutturati, mentre il secondo è bravo a catturare i cambiamenti comportamentali nelle serie temporali.

Swapr adotta infine un'architettura Ensemble, in cui diversi sottomodelli apprendono dalle rispettive dimensioni dei dati e finestre temporali e, dopo i punteggi di fusione, possono rispondere a comportamenti di trading complessi in modo più accurato.

"Dietro una transazione, chi sta cospirando per l'arbitraggio?"

Il comportamento di arbitraggio di solito non viene eseguito da un singolo portafoglio, ma è il risultato di più indirizzi che lavorano insieme. Identificando questi "gruppi di comportamento", il sistema può prevedere potenziali gruppi di arbitraggio e impedire che il "flusso tossico" si concentri sui LP.

"Rendi l'intelligenza artificiale parte dell'esecuzione delle operazioni"

Con l'abbondanza di dati di addestramento, il sistema di identificazione di Swapr sta diventando un punto di differenza fondamentale nel routing DeFi. Non solo porta quotazioni migliori, ma regola anche dinamicamente la direzione della liquidità, proteggendo gli interessi sia degli utenti che dei LP.

Il fondatore Ray ha sottolineato: "Un vero motore di esecuzione DeFi può capire, giudicare e sapere come proteggere il sistema. Speriamo che Swapr sia il primo punto di ingresso per il trading in grado di 'pensare'".

Questo articolo proviene da un contributo e non rappresenta le opinioni di BlockBeats.