Муха-трейдер

Анімована демонстрація дослідження: модель мозку дрозофіли, побудована за картою його зв’язків, вчиться розрізняти ситуації на ринку альткоїнів. За сигналом термінала вона розставляє монети від сильних до слабких. Усі перевірки — лише на історичних даних; це не торгові сигнали й не інвестиційна порада.

Дослідницький проєкт Лише історія Ілюстрація
Муха читає газету в кріслі, за сигналом термінала йде до комп’ютера й ранжує монети ДОСЛІДЖЕННЯ · ПЕРЕВІРКА 55 монет рейтинг: — чекає сигналу лише історія клітини Кеньона · активні 0 з 5 177 > ранжую 55 монет… СИЛЬНІ — СИЛЬНІ — СЛАБКІ — СЛАБКІ — результат записано ✓ TERM ВІСТІ РИНКУ Альткоїни: покупці активніші !
Читає новини ринку
день 1

Мозок Мухи в роботі

спокій
  • Входи — п’ять «чуттів» ринку. Сигнали біжать від них до грибоподібного тіла.
  • Клітини Кеньона — близько 5 тисяч. На кожну картину ринку спалахує лише невелика їх частина: так муха розрізняє схожі ситуації.
  • Виходи — «сильна монета» і «слабка монета». Зв’язки з ними змінюються після кожної перевірки.
  • Дофамін — сигнал оцінки після перевірки: правильний прогноз посилює зв’язки, хибний — послаблює.

Схема умовна: точки розставлено для наочності, це не анатомічна карта і не наші ринкові дані.

Енергія на одне рішення: мозок мухи проти мовної моделі

у ~1 900 разів менше енергії в Мухи

Вимірювання на тому самому комп’ютері (процесор Ryzen 5 3600), одне й те саме завдання: розставити монети за силою. Енергія = час обчислення × 88 Вт для обох моделей. Мовна модель — llama 3.2 (3 млрд параметрів), запущена локально. Попередній вимір досліду №56; шкала логарифмічна — кожна поділка в 10 разів більша за попередню.

Оцінки для «заліза» (не вимір): Муха у вигляді таблиці відгуків і вивчених ваг на мікроконтролері — близько мікроджоуля на рішення; велика мовна модель у дата-центрі — тисячі джоулів.

Як навчається наша Муха

Перевірок з 1 жовтня
42
4 підтвердились · 9 частково · 27 ні
Горять клітини Кеньона
79 % → 25 %
мозок перестав «сліпнути»
Якість рейтингу
+14 %
до першої спайкової версії
Угод на добу
у 4–5 разів менше
менше комісій

Якість рейтингу за версіями — наскільки порядок монет у Мухи збігається з реальним, в умовних одиницях. Усі перевірки — за заздалегідь записаними правилами, на історії, без реальних грошей.

  1. 27.09
    Перший запуск на ринкуМозок «як є» вгадував не краще за монетку: 79 % клітин горіли на будь-яку картину ринку.
  2. 27.09
    Лікування «сліпоти»Частку клітин, що горять, знижено, мозок почав розрізняти ситуації.
  3. 29.09
    Навчання на ходуМуха навчається після кожного результату й випереджає просту модель на вузькому ринку.
  4. 03.10
    Спайковий мозок на відеокартіПовна модель з імпульсами нейронів, 3 125 картин ринку.
  5. 04.10
    Новий спосіб подачі входу й фільтрЯкість рейтингу зросла на 14 %; сигнал виявився власним, а не повтором простого правила.
  6. далі
    Перевірка вперед на демо-рахунку8–12 тижнів на нових даних, без реальних грошей.

Науковий опис проєкту

Коротко. «Муха» — дослідницький проєкт: чи можна використати модель мозку плодової мушки Drosophila melanogaster, побудовану за повною картою зв’язків її нейронів (конектомом FlyWire), як систему розпізнавання ситуацій на ринку криптовалют. Ми беремо з мозку мухи грибоподібне тіло — відділ навчання й пам’яті — і перевіряємо, чи вміє його код розрізняти картини ринку краще за прості моделі. Усі гіпотези перевіряються на історичних даних за заздалегідь записаними правилами, без реальних грошей.

Модель

Спайкова модель усього мозку мухи: близько 138 тисяч нейронів і 50 млн синапсів за картою FlyWire (версія 783), нейрони типу «накопичення–поріг–імпульс» (LIF) за методом Shiu та співавт. (2024). Обчислення йде на відеокарті через GeNN. Робоча частина — близько 5 тисяч клітин Кеньона грибоподібного тіла.

Вхід і зчитування

Кілька узагальнених ознак ринку переводяться в частоту імпульсів вхідних нейронів. Для кожної картини ринку записується, які клітини Кеньона спалахнули. Над цим розрідженим кодом працює зовнішній учень, який навчається на ходу після кожного результату — за аналогією з дофаміновим навчанням на виході грибоподібного тіла.

Як ми перевіряємо

  • Правила перевірки записуються до обчислення, перевірка одна.
  • Обов’язкові порівняння: та сама модель з перемішаною «проводкою», проста модель машинного навчання, випадковий вибір.
  • Враховуються комісії біржі та частота угод.
  • Висновок «працює» — лише після перевірки вперед на нових даних (демо-рахунок).

Що ми дізналися

  • Мозок «як є» на ринковому вході «сліпне»: горять майже 80 % клітин Кеньона, і всі ситуації виглядають однаково. Зниження активності до часток, близьких до живої мухи, повертає здатність розрізняти.
  • Найкращі результати — коли більшість клітин мовчить, а всі ознаки подаються одночасно: клітини Кеньона працюють як детектори збігів.
  • Справжня «проводка» конектома поки не краща за перемішану з тією ж кількістю зв’язків — так само, як у роботах про випадкові проєкції в грибоподібному тілі. Сила коду — в розрідженості й широті, а не в точній схемі зв’язків.
  • Сигнал Мухи власний, а не повтор простих правил. Але на широкому ринку проста модель машинного навчання поки сильніша.
  • Головна перешкода — комісії біржі та частота угод, а не «інтелект» моделі.

Обмеження

Це дослідження, а не торговий продукт і не інвестиційна порада. Результати на історії не гарантують результатів у майбутньому. Навчання всередині самої моделі мозку ми поки не отримали; навчається зовнішній зчитувач.

Автори ідеї та даних

Використані програми та репозиторії

Наукові роботи

  1. Dorkenwald S. et al. Neuronal wiring diagram of an adult brain. Nature 634, 2024. doi:10.1038/s41586-024-07558-y
  2. Schlegel P. et al. Whole-brain annotation and multi-connectome cell typing of Drosophila. Nature, 2024. doi:10.1038/s41586-024-07686-5
  3. Shiu P.K. et al. A Drosophila computational brain model reveals sensorimotor processing. Nature, 2024. doi:10.1038/s41586-024-07763-9
  4. Litwin-Kumar A. et al. Optimal degrees of synaptic connectivity. Neuron, 2017. doi:10.1016/j.neuron.2017.01.030
  5. Dasgupta S., Stevens C.F., Navlakha S. A neural algorithm for a fundamental computing problem. Science, 2017. doi:10.1126/science.aam9868
  6. Caron S.J.C. et al. Random convergence of olfactory inputs in the Drosophila mushroom body. Nature, 2013. doi:10.1038/nature12063
  7. Lin A.C. et al. Sparse, decorrelated odor coding in the mushroom body enhances learned odor discrimination. Nature Neuroscience, 2014. doi:10.1038/nn.3660
  8. Barak O., Rigotti M., Fusi S. The sparseness of mixed selectivity neurons controls the generalization–discrimination trade-off. J. Neurosci., 2013. jneurosci 33:3844
  9. Xie M. et al. Task-dependent optimal representations for cerebellar learning. eLife, 2023. eLife 82914
  10. Aso Y. et al. The neuronal architecture of the mushroom body provides a logic for associative learning. eLife, 2014. eLife 04577
  11. Aso Y., Rubin G.M. Dopaminergic neurons write and update memories with cell-type-specific rules. eLife, 2016. eLife 16135
  12. Bennett J.E.M., Philippides A., Nowotny T. Learning with reinforcement prediction errors in a model of the Drosophila mushroom body. Nature Communications, 2021. doi:10.1038/s41467-021-22592-4
  13. Jiang L., Litwin-Kumar A. Models of heterogeneous dopamine signaling in an insect learning and memory center. PLOS Comput. Biol., 2021. doi:10.1371/journal.pcbi.1009205
  14. Gârleanu N., Pedersen L.H. Dynamic trading with predictable returns and transaction costs. J. Finance, 2013. J. Finance 68(6)
  15. Novy-Marx R., Velikov M. A taxonomy of anomalies and their trading costs. Rev. Financ. Stud., 2016. RFS 29(1)
  16. Liu Y., Tsyvinski A., Wu X. Common risk factors in cryptocurrency. J. Finance, 2022. J. Finance 77(2)
  17. Kelly B., Malamud S., Zhou K. The virtue of complexity in return prediction. J. Finance, 2024. doi:10.1111/jofi.13298; Nagel S. Seemingly virtuous complexity, NBER, 2025. w34104

Керівник проєкту: Sergii Bielik. Проєкт «Муха» — некомерційне дослідження; дані FlyWire використовуються за ліцензією CC BY-NC 4.0 із зазначенням авторів.