نویسنده(های): شنگانگ لی
در ابتدا منتشر شد به سمت هوش مصنوعی.
آزمایشات در عمل: پرده برداری از روندهای پنهان در سهام و بازارها با استفاده از شبکه های عصبی مامبا
این داستان فقط برای اعضا در اختیار ماست. برای دسترسی به تمام Medium ارتقا دهید.
این را تصور کنید: شخصی به شما قول می دهد که بازدهی تضمین شده بسیار بالاتر از میانگین بازار داشته باشد. سرمایهگذاران اولیه پول در میآورند، هجوم افزایش مییابد و افراد بیشتری به آن میپیوندند – تا اینکه یک روز همه چیز از بین میرود. این نحوه عملکرد یک طرح کلاسیک پونزی است که بر اساس اعتماد، فریب و نیاز دائمی به پول جدید برای ادامه آن ساخته شده است.
اکنون به سیستمی فکر کنید که در آن کل پول ثابت بماند و هر بردی با ضرر شخص دیگری باشد – مانند بخت آزمایی یا معاملات سفته بازانه سهام. هیچ کس نمی تواند رشته ها را بکشد، اما تنظیم هنوز شبیه به یک طرح پونزی است: سود یک نفر به معنای ضرر شخص دیگر است. یک اپراتور مرکزی را اضافه کنید، مانند یک کازینو یا یک بازیکن بزرگ در بازار، که پول را کم می کند، و این به یک بازی با جمع منفی تبدیل می شود. در اینجا، همه کمی بیشتر ضرر می کنند زیرا اپراتور از بالای صفحه خارج می شود.
این مقاله به بررسی این سه مورد میپردازد – طرحهای سنتی پونزی، بازیهای حاصل جمع صفر و بازیهای مجموع منفی با یک اپراتور مرکزی. در حالی که دو مورد آخر با طرحهای پونزی تفاوت دارند، اما مشابههای ساختاری و ریاضی قابل توجهی را نشان میدهند. با بررسی پویایی مشترک آنها، بینش هایی را کشف می کنیم… وبلاگ کامل را به صورت رایگان در Medium بخوانید.
منتشر شده از طریق به سمت هوش مصنوعی
منبع: https://towardsai.net/p/machine-learning/decoding-ponzi-schemes-with-math-and-ai