Analyse van Bitcoin-anomalieën met WhyTrend: kleiner model presteert beter dan groter model
Ollama
WhyTrend, een open-source hulpmiddel voor anomaliedetectie, is getest op Bitcoin-prijsgegevens van 2022 tot 2026. Uit de analyse bleek dat een kleiner model met 14 miljard parameters betrouwbaardere verklaringen gaf dan een groter model met 32 miljard parameters, vanwege minder time-outs. Het hulpmiddel identificeerde correct belangrijke marktregimeveranderingen en wees op problemen met fallback-verklaringen.
WhyTrend, een open-source pijplijn voor anomaliedetectie en -uitleg, werd uitgevoerd op dagelijkse Bitcoin-slotkoersen (BTC/USDT) van 1 januari 2022 tot 7 augustus 2026, in totaal 1680 datapunten. De detector vond 8 veranderpunten (regimewisselingen), die vervolgens werden verklaard met behulp van twee verschillende lokale LLM's: Qwen 32B en qwen2.5-coder:14b. Het grotere 32B-model ondervond regelmatig time-outs (6 van de 8 gebeurtenissen), wat leidde tot terugval op heuristische verklaringen op basis van de beste BM25-gerangschikte artikelen, wat leidde tot onzinnige redenen zoals 'Stray Cats and Bitcoin' of 'Bitcoin Genetic Code Paper'. Het kleinere 14B-model voltooide binnen de time-out voor 6 van de 8 gebeurtenissen en gaf geloofwaardigere verklaringen met betrouwbaarheidsscores, zoals het toeschrijven van het veranderpunt van 2024-02-25 aan negatief sentiment en zorgen over regelgeving, en het veranderpunt van 2025-11-11 aan overheden die Bitcoin in beslag nemen en beschuldigingen van een door de VS gesteunde hack van 13 miljard dollar. Het artikel merkt op dat 14B gemiddeld betrouwbaarder is, maar niet perfect, omdat het ook terugvalgevallen had. De auteur beveelt aan om kleinere modellen te gebruiken voor dergelijke taken en bespreekt het belang van het onderscheiden van terugvaloutputs van echte modelredenering.
Bron: Хабр — Data Mining —
origineel