AI для анализа данных DeFi: практический on-chain workflow

ИИ для анализа данных DeFi: практический рабочий процесс на блокчейне

ИИ для анализа данных DeFi: практический рабочий процесс на блокчейне посвящен превращению прозрачной, но запутанной активности блокчейна в повторяемое исследование: чистые наборы данных, обоснованные характеристики, проверяемые гипотезы и контролируемые модели. Если вы когда-либо смотрели на панели управления TVL, страницы доходности и графики токенов и думали: «это кажется расплывчатым», этот рабочий процесс — ваше противоядие. И если вам нравится структурированный, поэтапный анализ (так, как SimianX AI формирует многоступенчатые исследовательские циклы), вы можете привнести ту же дисциплину в работу на блокчейне, чтобы результаты были объяснимыми, сопоставимыми между протоколами и легкими для итерации.

Почему анализ данных на блокчейне сложнее (и лучше), чем кажется

Данные на блокчейне дают вам фактическую информацию о том, что произошло: переводы, обмены, займы, ликвидации, стекинг, голосования по управлению и потоки комиссий. Но «фактическая информация» не означает «легкая информация». Аналитики DeFi сталкиваются с такими проблемами, как:

• Неоднозначность сущностей: адреса не являются идентичностями; контракты проксируют другие контракты; ретрансляторы маскируют EOAs.

• Композиционные потоки: одно действие пользователя вызывает несколько внутренних вызовов, событий и изменений состояния.

• Искажение стимулов: доходы могут быть завышены за счет эмиссий, «прачечных» операций или временного майнинга ликвидности.

• Противостояние: MEV, сэндвичи, игры оракулов и захват управления создают нестабильное поведение.

• Ловушки оценки: маркировка «хороших протоколов» против «плохих протоколов» является субъективной, если вы не определите измеримый результат.

Плюс огромен: когда вы строите готовый к ИИ конвейер, вы можете отвечать на вопросы с доказательствами, а не интуицией — затем продолжать повторно запускать тот же рабочий процесс по мере изменения условий.

Шаг 0: Начните с решения, а не с набора данных

Самый быстрый способ потратить время в DeFi — это «скачать все» и надеяться, что появятся закономерности. Вместо этого определите:

1. Решение: что вы будете делать по-другому на основе анализа?
2. Объект: протокол, пул, токен, стратегия хранилища или когорты кошельков?
3. Временной горизонт: внутридневной, недельный, квартальный?
4. Метрика результата: что считается успехом или неудачей?

Примеры решений, которые хорошо соотносятся с ИИ

• Мониторинг рисков протокола: «Должны ли мы ограничить экспозицию на этом кредитном рынке?»

• Устойчивость доходности: «Является ли этот APY в основном эмиссией или поддерживается сборами?»

• Здоровье ликвидности: «Можем ли мы входить/выходить с приемлемым проскальзыванием в условиях стресса?»

• Поведение кошельков: «Накапливают ли когорты «умных денег» или распределяют?»

• Динамика управления: «Концентрируется ли право голоса среди нескольких сущностей?»

Ключевое понимание: ИИ наиболее эффективен, когда цель измерима (например, вероятность снижения, частота ликвидации, соотношение сборов к эмиссиям), а не когда цель — это «хорошая нарратив».

Шаг 1: Постройте свою основу данных на блокчейне (источники + воспроизводимость)

Практический рабочий процесс на блокчейне требует двух уровней: сырая правда цепи и обогащенный контекст.

A. Сырая правда цепи (канонические входные данные)

Минимум, что нужно запланировать для сбора:

• Блоки/транзакции: временные метки, газ, успех/неудача

• Логи/события: эмитируемые контрактами (DEX-свопы, эмиссии/сжигания, заимствования, погашения)

• Трейсы/внутренние вызовы: граф вызовов для сложных транзакций (особенно важно для агрегаторов и хранилищ)

• Снимки состояния: балансы, резервы, долги, залоги, власть управления на момент t

Совет: рассматривайте каждый набор данных как версионированный снимок:

• цепочка + диапазон блоков (или точные высоты блоков)

• версия индексатора (если используется сторонний)

• версии декодирования ABI

• метод ценового оракула

B. Обогащение (контекст, который вам нужен для «значения»)

• Метаданные токена: десятичные знаки, символы, обертки, поведение при ребейзинге

• Данные о ценах: доверенные цены оракула + TWAP, полученные от DEX (с ограничениями)

• Семантика протокола: какие события соответствуют каким экономическим действиям

• Метки: категории контрактов (DEX, кредитование, мосты), известные мультиподписи, горячие кошельки CEX и т. д.

Минимальная воспроизводимая схема (что вы хотите в своем хранилище)

Думайте в терминах «фактических таблиц» и «измерений»:

• fact_swaps(chain, block_time, tx_hash, pool, token_in, token_out, amount_in, amount_out, trader, fee_paid)

• fact_borrows(chain, block_time, market, borrower, asset, amount, rate_mode, health_factor)

• dim_address(address, label, type, confidence, source)

• dim_token(token, decimals, is_wrapped, underlying, risk_flags)

• dim_pool(pool, protocol, pool_type, fee_tier, token0, token1)

Используйте inline code именование последовательно, чтобы последующие функции не ломались.

Шаг 2: Нормализуйте сущности (адреса → акторы)

Модели ИИ не думают в шестнадцатеричных строках; они учатся на поведенческих паттернах. Ваша задача — преобразовать адреса в стабильные «сущности», где это возможно.

Практический подход к маркировке (быстро → лучше)

Начните с трех уровней:

• Уровень 1 (высокая уверенность): контракты протокола, известные мультиподписи, проверенные разработчики

• Уровень 2 (средний): кластерные эвристики (общий источник финансирования, повторяющиеся паттерны взаимодействия)

• Уровень 3 (низкий): поведенческие архетипы (арбитражный бот, MEV-искатель, пассивный LP)

Что хранить для каждой метки

• label (например, «MEV бот», «казна протокола»)

• confidence (0–1)

• доказательства (срабатывающие правила, эвристики, ссылки)

• действительно_с_ / действительно_по (метки меняются!)

Кластеризация кошельков: сохраняйте консервативный подход

Кластеризация может помочь (например, группировка адресов, контролируемых одним оператором), но она также может испортить ваш набор данных, если будет выполнена неправильно.

• Предпочитайте точность над полнотой: ложные слияния хуже, чем пропущенные слияния.

• Рассматривайте кластеры как гипотезы, а не факты.

• Держите сырые адреса доступными, чтобы вы могли откатиться назад.

Шаг 3: Инженерия признаков для DeFi (слой "экономической правды")

Здесь ИИ становится полезным. Ваша модель учится на признаках — поэтому разрабатывайте признаки, которые отражают механизмы, а не просто "числа".

A. Признаки DEX и ликвидности (реальность исполнения)

Полезные признаки включают:

• Глубина и проскальзывание: оценочное влияние на цену для объемов торгов (например, $10k/$100k/$1m)

• Распределение ликвидности: концентрация около текущей цены (для AMM с концентрированной ликвидностью)

• Эффективность сборов: сборы на единицу TVL, сборы на единицу объема

• Сигналы о "моечных" сделках: высокий объем с низким изменением чистой позиции

• Давление MEV: паттерны сэндвичей, частота обратных сделок, всплески приоритетных сборов вокруг активности пула

Жесткое правило: Если вам важна торгуемость, моделируйте проскальзывание под давлением, а не "средний дневной объем."

B. Признаки кредитования (несостоятельность и рефлексивность)

• Коэффициент использования: индикатор давления спроса

• Концентрация залога: доля топ-N залога (риск китов)

• Плотность ликвидации: сколько залога находится рядом с порогами ликвидации

• Прокси плохого долга: ликвидации, которые не удались или вернули меньше долга

• Сдвиги режимов ставок: резкие изменения в ставках заимствования/предложения

C. “Реальная доходность” против доходности стимулов (ядро устойчивости)

Доходности DeFi часто смешиваются:

• Доходность, поддерживаемая сборами: торговые сборы, проценты по займам, доходы протокола

• Доходность стимулов: эмиссия токенов, вознаграждения, взятки, одноразовые субсидии

Практическое разложение:

• gross_yield = fee_yield + incentive_yield

• real_yield ≈ fee_yield - dilution_cost (где стоимость размывания зависит от контекста, но вы должны как минимум отслеживать эмиссии как процент от рыночной капитализации и роста обращающегося предложения)

Ключевое понимание: устойчивая доходность редко является самой высокой доходностью. Это доходность, которая выживает, когда стимулы уменьшаются.

Шаг 4: Обозначьте цель (что вы хотите, чтобы модель предсказала)

Многие наборы данных DeFi терпят неудачу, потому что метки расплывчаты. Хорошие цели конкретны и измеримы.

Примеры целевых моделей

• Классификация риска: “Вероятность >30% падения TVL за 30 дней”

• Шок ликвидности: “Вероятность проскальзывания >2% для сделки на $250k во время высокой волатильности”

• Коллапс доходности: “Соотношение сборов к эмиссиям падает ниже 0.3 в течение 14 последовательных дней”

• Эксплуатация/аномалия: “Аномальные оттоки относительно исторической базы”

• Обнаружение режима: “Рынок переходит от органической ликвидности к ликвидности, управляемой стимулами”

Избегайте утечки меток

Если ваша метка использует будущую информацию (например, последующую эксплуатацию), убедитесь, что ваши признаки используют только данные, доступные до события. В противном случае модель “обманывает.”

Шаг 5: Выберите правильный подход ИИ (и где подходят LLM)

Разные вопросы DeFi соответствуют разным семействам моделей.

A. Прогнозирование временных рядов (когда важна динамика)

Используйте, когда вы предсказываете:

• сборы, объем, использование, графики эмиссий

• притоки/оттоки TVL

• режимы волатильности

B. Классификация и ранжирование (когда вы выбираете «топ кандидатов»)

Используйте, когда вам нужно:

• «топ 20 пулов по устойчивой доходности»

• «протоколы, которые с наибольшей вероятностью испытают шоки ликвидности»

• «когорты кошельков, которые с наибольшей вероятностью накопят»

C. Обнаружение аномалий (когда вы еще не знаете об атаке)

Полезно для:

• новых схем эксплуатации

• атак на управление

• подписей истощения моста

• режимов манипуляции оракулами

D. Обучение графов (когда отношения являются сигналом)

В цепочке блоков естественно существует граф: кошельки ↔ контракты ↔ пулы ↔ активы. Графовые характеристики могут превзойти плоские таблицы для:

• обнаружения сибиллы

• координированного поведения

• путей заражения (каскады ликвидации)

Где LLM помогают (и где не помогают)

LLM отлично подходят для:

• разбора предложений, документов, аудитов в структурированные заметки

• извлечения «что изменилось» на форумах управления

• генерации гипотез и проверок

LLM не являются заменой для:

• правильного декодирования в цепочке блоков

• причинной интерпретации

• дисциплины обратного тестирования

Практический гибрид:

• LLM для интерпретации + структуры

• ML/временные ряды/графы для прогнозирования + оценки

• правила на основе проверок для жестких ограничений

Шаг 6: Оценка и обратное тестирование (часть, не подлежащая обсуждению)

DeFi нестационарен. Если вы не оцениваете тщательно, ваш «сигнал» — это мираж.

A. Делите по времени, а не случайно

Используйте разбиения по времени:

• Обучение: более старые периоды

• Валидация: средние

• Тестирование: самое недавнее окно вне выборки

B. Отслеживайте как точность, так и качество решений

В DeFi вы часто заботитесь о ранжировании и риске, а не только о “точности.”

• Классификация: точность/полнота, ROC-AUC, PR-AUC

• Ранжирование: NDCG, коэффициент попадания top-k

• Риск: калибровочные кривые, ожидаемый убыток, статистика просадок

• Стабильность: снижение производительности с течением времени (дрейф)

Простой контрольный список для оценки

1. Определите правило принятия решения (например, “избегать, если риск-оценка > 0.7”)
2. Проведите бэктест с предположениями о транзакционных издержках и проскальзывании
3. Запустите стрессовые режимы (высокий газ, высокая волатильность, нехватка ликвидности)
4. Сравните с базовыми линиями (простые эвристики часто выигрывают)
5. Храните аудиторский след (особенности, версия модели, блоки снимков)

Шаг 7: Развертывание как цикл (а не одноразовый отчет)

Настоящий “практический рабочий процесс” — это цикл, который вы можете запускать каждый день/неделю.

Основной производственный цикл

• Получение новых блоков/событий

• Пересчет особенностей на скользящих окнах

• Оценка пулов/протоколов/когорт кошельков

• Запуск оповещений о нарушениях порогов

• Ведение логов объяснений и снимков для аудируемости

Мониторинг, который важен в DeFi

• Дрейф данных: находятся ли объемы/сборы/режимы за пределами исторических диапазонов?

• Дрейф меток: изменяется ли поведение “MEV бота”?

• Здоровье пайплайна: отсутствующие события, сбои декодирования ABI, аномалии ценового оракула

• Упадок модели: снижение производительности в недавних окнах

Практическое правило: если вы не можете объяснить почему модель изменила свою оценку, вы не можете ей доверять на рефлексивном рынке.

Пример: "Является ли этот APY реальным?"

Давайте применим рабочий процесс к распространенной ловушке DeFi: привлекательные доходности, которые в основном являются стимулами.

Поэтапно

• Определите объект: конкретный пул/сейф

• Горизонт: следующие 30–90 дней

• Результат: оценка устойчивости

Вычислите:

• fee_revenue_usd (торговые сборы / процент по займам)

• incentives_usd (эмиссии + взятки + вознаграждения)

• net_inflows_usd (является ли TVL органическим или наемным?)

• user_return_estimate (доход от сборов минус IL / затраты на заимствование, где это уместно)

Простое соотношение устойчивости:

• fee_to_incentive = fee_revenue_usd / max(incentives_usd, 1)

Интерпретация:

• fee_to_incentive > 1.0 часто указывает на доходность, поддерживаемую сборами

• fee_to_incentive < 0.3 предполагает доминирование стимулов

Добавьте ИИ:

• Прогнозируйте fee_revenue_usd при различных сценариях объема

• Классифицируйте режим "органический против стимулируемого"

• Уведомляйте, когда соотношение быстро снижается

Как работает ИИ для анализа данных DeFi в блокчейне?

ИИ для анализа данных DeFi работает в блокчейне, преобразуя низкоуровневые артефакты блокчейна (транзакции, логи, трассировки и состояние) в экономические характеристики (комиссии, кредитное плечо, глубина ликвидности, концентрация риска), а затем изучая шаблоны, которые предсказывают результаты, которые вы можете измерить (устойчивость доходности, шоки ликвидности, риск неплатежеспособности, аномальные потоки). Часть "AI" хороша только настолько, насколько:

• отображение характеристик от событий → экономика,

• метки, которые определяют успех/неудачу,

• и цикл оценки, который предотвращает переобучение.

Если вы рассматриваете рабочий процесс как повторяемую систему — как этапный исследовательский подход, подчеркиваемый в многоступенчатом анализе в стиле SimianX — вы получаете модели, которые улучшаются со временем, а не хрупкие одноразовые инсайты.

Практические инструменты: минимальный стек, который вы можете реально запустить

Вам не нужна большая команда, но вам нужна дисциплина.

A. Уровень данных

• Хранилище (таблицы + разделы по цепочке/времени)

• Декодирование ABI и нормализация событий

• Ценовой поток с охранными механизмами oracle/TWAP

B. Уровень аналитики

• Задачи по характеристикам (скользящие окна, метрики когорты)

• Оценочный каркас (разделение по времени, базовые линии, стресс-тесты)

• Панели мониторинга + оповещения

C. Уровень "исследовательского агента" (по желанию, но мощный)

Здесь проявляется сила многоагентного мышления:

• один агент проверяет качество данных

• один сосредоточен на механике протокола

• один проводит стресс-тесты предположений

• один пишет финальный отчет с цитатами и оговорками

Здесь также SimianX AI может быть полезной ментальной моделью: вместо того, чтобы полагаться на единственный "всезнающий" анализ, используйте специализированные перспективы и принуждайте к явным компромиссам — затем выводите четкий, структурированный отчет. Вы можете изучить подход платформы на SimianX AI.

Общие режимы сбоев (и как их избежать)

• Ошибочное восприятие TVL как здоровья: TVL можно арендовать. Отслеживайте отток, концентрацию и эффективность сборов.

• Игнорирование затрат на проскальзывание: бэктесты без предположений о выполнении — это фантазия.

• Слишком большое доверие к меткам: метки «умных денег» изменяются; сохраняйте уверенность и повторно проверяйте.

• Не моделирование стимулов: графики эмиссии имеют значение; рассматривайте их как переменные первого класса.

• Отсутствие аудиторского следа: если вы не можете воспроизвести оценку из тех же блоков, это не исследование — это контент.

Часто задаваемые вопросы о ИИ для анализа данных DeFi: практический рабочий процесс на цепочке

Как создать функции на цепочке для машинного обучения в DeFi?

Начните с механики протокола: сопоставьте события с экономикой (сборы, долги, залоги, глубина ликвидности). Используйте скользящие окна, избегайте утечек и храните определения функций с версионированием, чтобы вы могли воспроизводить результаты.

Что такое реальная доходность в DeFi и почему это важно?

Реальная доходность — это доходность, в первую очередь поддерживаемая органическими доходами протокола (сборы/проценты), а не эмиссией токенов. Это важно, потому что эмиссии могут угасать, в то время как доходы, поддерживаемые сборами, часто сохраняются (хотя они все еще могут быть циклическими).

Как лучше всего проводить бэктестирование сигналов DeFi, не обманывая себя?

Разделите по времени, включите транзакционные затраты и проскальзывание, и тестируйте в стрессовых режимах. Всегда сравнивайте с простыми базовыми линиями; если ваша модель не может надежно обойти эвристику, вероятно, она переобучена.

Могут ли LLM заменить количественный анализ на цепочке?

LLM могут ускорить интерпретацию — подводя итоги предложений, извлекая предположения, организуя контрольные списки — но они не могут заменить правильное декодирование событий, строгую маркировку и оценку на основе времени. Используйте LLM для структурирования исследований, а не для «галлюцинации» цепи.

Как мне обнаружить ликвидность, движимую стимулами (наемную)?

Отслеживайте отток TVL, соотношение сборов к стимулам и состав кошельковых когорт. Если ликвидность появляется, когда стимулы растут, и быстро исчезает после этого, рассматривайте доходность как хрупкую, если сборы не поддерживают её независимо.

Заключение

Искусственный интеллект становится действительно ценным в DeFi, когда вы превращаете шум в блокчейне в повторяемый рабочий процесс: формулирование на основе решений, воспроизводимые наборы данных, консервативная маркировка сущностей, функции на основе механизмов, оценка с разделением по времени и непрерывный мониторинг. Следуйте этому практическому циклу в блокчейне, и вы получите анализ, который можно сравнивать между протоколами, который устойчив к изменениям режимов и который можно объяснить коллегам или заинтересованным сторонам.

Если вы хотите структурированный способ проведения поэтапных исследований с разных точек зрения (и перевода сложных данных в ясные, доступные результаты), изучите SimianX AI как модель для организации строгого анализа в действующий рабочий процесс.

Читайте также

• ИИ-агенты анализируют риски DeFi: TVL и реальная доходность
• ИИ моделирует волатильность DeFi и цепные риски
• Раннее предупреждение AI о рисках ликвидности DeFi

Источники

• DefiLlama (TVL & yields)
• Etherscan
• Dune Analytics