ابزارهای مالی نوین در بورس

سهم بیت کوین در تجارت مواد مخدر چقدر است؟

تجارت آنلاین مواد مخدر در حال افزایش است و به نظر می‌رسد در این مسیر از رمزارز‌ها کمک بزرگی گرفته می‌شود.

تجارت آنلاین مواد مخدر در حال افزایش است و به نظر می‌رسد در این مسیر از رمزارز‌ ها کمک بزرگی گرفته می‌شود. در واقع یکی از بزرگترین اتهامات به ارز‌های دیجیتال این است که به تجارت غیر قانونی موارد مخدر تداوم می‌بخشد.

به دلیل ماهیت رمزارزها، تخمین سهم دقیق بازار ارز‌های دیجیتال در تجارت غیرقانونی دشوار است. گزارش دانشگاه فناوری سیدنی تخمین می‌زند که حدود ۴۶ درصد از فعالیت‌های غیرقانونی در سال با بیت کوین مرتبط است. این گزارش نشان می‌دهد که بیت کوین رایج‌ترین رمزارز مورد استفاده در دارک‌نت است.

بر اساس تحقیقات، ارزش دلاری فعالیت‌های غیرقانونی به وسیله بیت‌کوین همچنان در حال افزایش است. شایان ذکر است هرچند استفاده از رمزارز‌ها برای مقاصد غیر قانونی رو به رشد بوده، اما تعداد افرادی که به قصد سرمایه‌گذاری وارد این بازار می‌شوند نیز در روند افزایشی قرار دارد. در نتیجه، درصد یا سهم فعالیت بیت کوین که در فعالیت‌های غیرقانونی دخیل است در سال‌های اخیر کاهش یافته است. لذا، با وجود اینکه بازار سیاه آنلاین به رشد خود ادامه ابزارهای مالی نوین در بورس می‌دهد، ارز‌های دیجیتال به طور فزاینده‌ای به شکل قانونی نیز مورد استفاده قرار گرفته‌اند.

گزارش مشترک یوروپل و مرکز نظارت اروپا برای مواد مخدر (EMCDDA) نشان می‌دهد که در مقایسه با ارزش خرده‌فروشی سالانه بازار مواد مخدر اتحادیه اروپا، حجم فروش دارک‌نت همچنان در سطح پایینی قرار دارد هرچند که پتانسیل رشد دارد. نظرسنجی جهانی مواد مخدر نشان می‌دهد که ۲۷.۱ درصد از مصرف‌کنندگان مواد مخدر، برای اولین بار در ۱۲ ماه گذشته از طریق دارک‌نت توانسته‌اند مواد مخدر خریداری کنند. این عدد در مقایسه با سال گذشته در حدود ۸ درصد رشد داشته است.

افزایش فروش دارک‌نت و مصرف گسترده‌تر مواد مخدر نشان می‌دهد که دیجیتالی شدن تجارت مواد مخدر به لطف امکانات ارز‌های دیجیتال، مانند خرید و فروش ناشناس و همچنین پرداخت‌های غیرقابل ردیابی، در دسترس‌تر شده است.

مقابله با تجارت غیر قانونی
نقطه عطف برای اقدام قاطع ایالات متحده علیه تجارت غیر قانونی مواد مخدر به وسیله ارز دیجیتال در سال ۲۰۱۳ اتفاق افتاد، زمانی که ماموران FBI به کتابخانه عمومی سانفرانسیسکو هجوم بردند تا راس اولبریخت، مردی که نقش اصلی در دیجیتالی کردن تجارت بین‌المللی مواد مخدر ایفا می‌کند را دستگیر کنند. Ulbricht که با نام مستعار «Dread Pirate Roberts» کار می‌کرد، مغز متفکر پشت جاده ابریشم بود.

بازاری ناشناس و شبیه به آمازون که در دارک‌نت قرار دارد و به کاربران اجازه می‌دهد هر چیزی را بدون در نظر گرفتن موارد قانونی بخرند و بفروشند. جاده ابریشم پیشتاز در استفاده از برخی از نرم‌افزار‌ها و بیت کوین، برای پنهان کردن هویت خریداران و فروشندگان و همچنین فعالیت آن‌ها بوده است. اگرچه ماموران ایالات متحده امیدوار بودند که تصرف جاده ابریشم فعالیت‌های دارک نت را محدود کند، اما سایت خبری DeepDotWeb نوشت که این حرکت و شکست ایالت متحده در محدود کردن فعالیت جاده ابریشم، بهترین تبلیغ برای بازار‌های دارک‌نت بوده است. در سال ۲۰۱۴، FBI سایت دارک نت را در طی عملیات Onymous تصرف کرد. در سال ۲۰۱۹ با وجود این که ایالت متحده به رویکرد سختگیرانه خود ادامه داده و در این مسیر چندین فرد را دستگیر کرده و یا بسیاری از آدرس‌های مشکوک را مسدود کرده بود، بازار‌های دارک نت همچنان به تجارت مواد مخدر به وسیله رمزارز‌ها ادامه دادند.

خرید مواد مخدر به وسیله رمزارز
بر اساس گزارش Ciphertrace در مورد مبارزه با پولشویی، تقریباً تمامی خرید و فروش‌های مواد مخدر در دارک‌نت‌ها به وسیله رمزارز‌ها صورت می‌گیرد. با توجه به افزایش قدرت نظارتی دولت‌ها دارک‌وب‌ها محیطی را فراهم می‌کنند که برای قاچاقچیان غیرقانونی مواد مخدر جذاب، پرسود و در بیشتر موارد ایمن است.

پروفسور تالیس پاتنینز، یکی از نویسندگان گزارش تاثیرگذار دانشگاه فناوری سیدنی در مورد ارز‌های دیجیتال و ابزارهای مالی نوین در بورس ابزارهای مالی نوین در بورس تجارت مواد مخدر غیرقانونی، اظهار داشته است که ارز‌های دیجیتال تأثیر زیادی بر نحوه خرید مواد مخدر داشته‌اند. به اعتقاد وی رمزارز‌ها اساساً نحوه خرید و فروش مواد مخدر غیرقانونی را متحول کرده اند و بسیاری از فعالیت‌ها را از یک بازار فیزیکی در خیابان مبتنی بر پول نقد به یک بازار آنلاین تغییر داده اند. تجارت غیرقانونی مواد مخدر به دو چیز اساسی نیاز داشت. دارک‌نت‌ها شرایط تجارت مواد مخدر را فراهم کردند و از طرف دیگر رمزارز‌ها روشی برای پرداخت ناشناس و خصوصی را که ردیابی آن‌ها دشوار است را ایجاد کردند. این همان نقشی است که ارز‌های دیجیتال ایفا کرده اند. بنابراین، آن‌ها بخشی جدایی ناپذیر از تجارت آنلاین مواد مخدر هستند.

ماهیت شفاف ارز‌های دیجیتال، تراکنش‌ها را در مقایسه با تراکنش‌های مربوط به پول نقد آسان‌تر می‌کند. پرداخت‌ها برای تجارت‌های غیرقانونی با استفاده از ارز‌های دیجیتال در مقایسه با نقل و انتقالات بانکی، به طور طبیعی منطقی‌تر است. از سوی دیگر، بیشتر تراکنش‌های ارز‌های دیجیتال به دلیل ماهیت ذاتا شفاف آن‌ها نسبت به پول نقد، به مراتب بهتر قابل ردیابی هستند.

چگونه ارز‌های دیجیتال تجارت مواد مخدر را تغییر دادند؟
مهمترین تغییری که در تجارت مواد مخدر به وسیله رمزارز‌ها ایجاد شد، مربوط به سهولت و دسترسی در پرداخت‌های ناشناس است. قبل از آن، تجارت مواد مخدر باید از طریق شبکه‌های سنتی و آفلاین صورت می‌گرفت که پرداخت‌ها معمولا به شکل پول نقد بود. این موضوع دسترسی را محدود کرده و کل زنجیره تامین و ساختار پرداخت را در معرض خطر رهگیری توسط مقامات قرار می‌داد. از سوی دیگر، پرداخت‌های دیجیتالی ناشناس که توسط ارز‌های دیجیتال امکان‌پذیر می‌شوند، به‌ویژه برای فروشندگان مواد مخدر جذاب هستند و در ایجاد شبکه‌ای بزرگ و پیچیده از دارک‌نت‌ها و تجارت الکترونیک سیاه نقش دارند.

در حال حاضر یکی از چالش‌ها برای قاچاقچیان مواد مخدر این است که چگونه عواید حاصل از فروش و رمزارز‌ها را به پول نقد تبدیل کنند. اکثر صرافی‌های ارز‌های دیجیتال از ابزار‌های نظارت بر تراکنش‌های ارز‌های دیجیتال مانند Elliptic استفاده می‌کنند که از تجزیه و تحلیل بلاک چین برای تعیین اینکه آیا وجوه از منابعی مانند دارک‌نت‌ها تأمین می‌شود یا خیر، استفاده می‌کنند.

یکی از روش‌هایی که برای پنهان کردن مسیر تراکنش‌ها استفاده می‌شود استفاده از رمزارز‌های حفظ حریم خصوصی مانند مونرو است که در خرید و فروش مواد مخدر محبوب شده‌اند. اکثر بازار‌های جدید اکنون پرداخت‌های مونرو را در کنار بیت کوین می‌پذیرند. این تهدیدی برای مجریان قانون برای ردیابی این نوع فعالیت‌ها است.

قابلیت ردیابی فعالیت‌های غیر قانونی
ناشناس بودن یکی از ویژگی‌های اساسی ارز‌های دیجیتال است که از زمان اختراع آن‌ها مورد تحسین و انتقاد قرار گرفته است. با این وجود، رمزارز‌ها انطور که به نظر می‌رسند غیرقابل ردیابی نیستند. بلاک چین جزئیات قابل دسترس عموم در مورد هر تراکنش انجام شده از یک آدرس به آدرس دیگر را ثبت می‌کند. مگر اینکه کاربر تراکنش را از طریق یک سری حساب‌های واسطه شستشو دهد. در این تراکنش‌ها هم مبدا و هم مقصد تراکنش به راحتی قابل کشف است.

رمزارز‌ها به آن میزان که مورد انتظار است، خصوصی و ناشناس عمل نمی‌کنند. روش‌های تحلیلی زیادی بر روی بلاک چین بیت کوین وجود دارد که امکان شناسایی و نظارت بر بسیاری از فعالیت‌های غیرقانونی را فراهم می‌کند. تداوم حملات و سرکوب‌ها توسط سازمان‌های مجری قانون همچنین نشان دهنده توانایی مقامات برای ردیابی حداقل برخی از فعالیت‌های غیرقانونی در بیت‌کوین و سایر ارز‌های دیجیتال است. ارز دیجیتال هنوز یک فناوری جوان با استفاده محدود است، اگرچه ممکن است تراکنش‌ها را ناشناس‌تر کند، اما همچنان پیچیده و ناامن است؛ بنابراین بعید به نظر می‌رسد که در معاملات غیرقانونی، رمزارز‌ها به طور کامل جایگزین پول نقد شوند.

با این حال، رمزارز‌هایی با قابلیت حفظ حریم خصوصی این پتانسیل را دارند که ساختار و توسعه بازار‌های غیرقانونی مواد مخدر را به میزان قابل توجهی تحت تأثیر قرار دهند.

شهرداریِ شهر‌های با جمعیت بالاتر از ۲۰۰ هزار نفر مجاز به ابزارهای مالی نوین در بورس مشارکت در تهیه طرح‌های تفصیلی شهر‌های خود شدند

شورای عالی شهرسازی و معماری با تعمیم مجوز مشارکت شهرداریِ شهر‌های با جمعیت کمتر از ۲۰۰ هزار ابزارهای مالی نوین در بورس نفر در تهیه طرح‌های تفصیلی، به شهر‌های با جمعیت بالاتر از ۲۰۰ هزار نفر، با تشخیص، نظارت و هدایت معاونت شهرسازی و معماری موافقت کرد.

به گزارش شهرآرانیوز، شورای عالی شهرسازی و معماری ایران در جلسه مورخ۱۴۰۱/۰۶/۰۷ خود، ضمن استماع گزارش دبیرخانه شورای عالی پیرامون لزوم تسهیل تهیه طرح‌های تفصیلی برای شهر‌های با جمعیت بیش از ۲۰۰ هزارنفر به شرح زیر اتخاذ تصمیم کرد:

پیرو تبصره ذیل ماده ۱۲ آیین‌نامه ماده ۵۴ آیین نامه نحوه بررسی و تصویب طرح‌های توسعه و عمران مصوب جلسه مورخ ۱۴۰۰/۰۵/۰۴ شورای عالی در خصوص مجوز مشارکت شهرداری شهر‌های با جمعیت کمتر از ۲۰۰ هزار نفر در تهیه طرح‌های تفصیلی شهر‌های مذکور، با توجه به ضرورت‌های موجود برای مشارکت مدیریت شهری در تهیه طرح‌های تفصیلی در ادامه طرح جامع و نیز تسریع در تهیه طرح‌های مذکور، شورای عالی شهرسازی و معماری ایران با تعمیم مجوز مذکور به شهر‌های با جمعیت بالاتر از ۲۰۰ هزار نفر با تشخیص، نظارت و هدایت معاونت شهرسازی و معماری موافقت کرد.

در بازی شطرنج با هوش مصنوعی تقلب چطور لو می‌رود؟

اگر آنلاین بازی می‌کنید و نمی‌دانید که آیا حریف شما تقلب می‌کند، واقعاً نمی‌توانید با هیچ معیار قطعی بگویید، زیرا میلیون‌ها بازی انسانی را ندیده‌اید که با سبک‌های کاملاً متفاوت انجام می‌شوند.

چند سال پیش، وب‌سایت شطرنج (Chess.com) حضور استاد بزرگ آمریکایی هانس نیمان را در بازی آنلاین به دلیل حرکات شطرنجی که به آن مظنون بود وتوسط یک برنامه رایانه‌ای به او پیشنهاد شده بود ممنوع کرد. گزارش شده است که این وب سایت قبلاً حضور مربی او ماکسیم دلوگی را نیز ممنوع کرده بود. در جام (Sinquefield) در اوایل همین ماه، مگنوس کارلسن قهرمان جهان نیز پس از انجام یک بازی ضعیف در برابر نیمن ۱۹ ساله، بدون هیچ گونه اظهار نظری کنار رفت. او گفته که این کار به این دلیل است که نیمن تقلب کرده است.

یکی دیگر از شرکت‌کنندگان، استاد بزرگ روسی یان نپومنیاچچی عملکرد نیمن را "بیش تاثیرگذار" خواند. در حالی که نیمن اعتراف کرده که گاهی اوقات در بازی‌های آنلاین قبلی تقلب کرده است، اما به شدت تقلب در یک تورنمنت زنده شطرنج را رد کرد. اما (Chess.com) بزرگترین وب سایت شطرنج جهان، چگونه متوجه می‌شود که یک بازیکن احتمالا تقلب کرده است؟ این وبسایت نمی‌تواند کدی را که استفاده می‌کند به دنیا نشان دهد، زیرا کلاهبرداران احتمالی دقیقاً متوجه می‌شوند که چگونه از شناسایی خود جلوگیری کنند. این وب سایت می‌گوید: اگرچه ملاحظات قانونی و عملی از افشای مجموعه کامل داده ها، معیار‌ها و ردیابی مورد استفاده برای ارزیابی بازی‌ها در ابزار بازی جوانمردانه جلوگیری می‌کند، اما می‌توان گفت که هسته سیستم (Chess.com) دارای یک مدل آماری است که احتمال تطبیق بازی یک بازیکن انسانی با انتخاب‌های برتر موتور و پیشی گرفتن از بازی تمیز و تایید شده در ابزارهای مالی نوین در بورس برخی بازی‌ها از بزرگترین شطرنج بازان تاریخ را ارزیابی می‌کند. تحقیقات می‌تواند روشی را که وب سایت ممکن است استفاده کند روشن کند.

انسان‌ها در مقابل هوش مصنوعی:

زمانی که شرکت هوش مصنوعی (DeepMind) برنامه (AlphaGo) را توسعه داد که می‌توانست بازی استراتژی Go را اجرا کند و به آن آموزش داده شد که پیش‌بینی کند انسان در هر موقعیتی چه حرکتی انجام می‌دهد. پیش‌بینی حرکات انسان توسط یک ماشین مشکل است. با توجه به نمونه‌های زیادی از موقعیت‌ها در بازی‌های انسانی و نمونه‌ای از حرکت انسان‌ها در هر موقعیت الگوریتم‌های یادگیری ماشینی را باید برای پیش‌بینی داده‌های جدید آموزش داد؛ بنابراین (DeepMind) به هوش مصنوعی خود آموزش داد تا احتمال انجام هر حرکتی را که انسان از هر موقعیت مشخصی ممکن است انجام دهد تخمین بزند. (AlphaGo) در سال ۲۰۱۷ از رقیب انسانی خود شکست خورد. یکی از حرکات معروف در این بازی با این هوش مصنوعی (Move ۳۷) بود؛ بنابراین با توجه به مدل یادگیری ماشینی بازیکنان اگر فردی را دیدید که (Move ۳۷) را بازی می‌کند، دلیلی بر این خواهد بود که خودش این ایده را نداشته است. اما مسلماً این مدرک نخواهد بود و هر انسانی می‌تواند این حرکت را انجام دهد. برای اینکه خیلی مطمئن شوید که کسی در یک بازی تقلب می‌کند باید به حرکات زیادی نگاه کنید. به عنوان مثال، محققان بررسی کرده‌اند که چگونه بسیاری از حرکات یک بازیکن را می‌توان به صورت جمعی تجزیه و تحلیل کرد تا ناهنجاری‌ها تشخیص داده شود. وب سایت (Chess.com) آشکارا از یادگیری ماشینی برای پیش‌بینی حرکات ممکن توسط انسان‌ها در هر موقعیت خاص استفاده می‌کند. در واقع مدل‌های مختلفی از شطرنج‌بازان معروف را دارد که شما می‌توانید در مقابل آن‌ها بازی ابزارهای مالی نوین در بورس کنید و احتمالاً از مدل‌های مشابه برای تشخیص تقلب استفاده می‌شود. یک مطالعه اخیرا نشان داد که علاوه بر پیش‌بینی میزان احتمال انجام یک حرکت خاص توسط یک انسان مهم است که آن حرکت چقدر خوب باشد.

اما چگونه می‌توان اندازه گیری کرد که کدام حرکت بهتر از سایرین است؟

در یک بازی شطرنج یا شما "برنده" هستید و می‌توانید یک برد را تضمین کنید یا "بازنده" هستید و بازیکن دیگر می‌تواند برنده باشد یا "تساوی" که هیچکدام نمی‌توانید برنده باشید و یک حرکت خوب هر حرکتی است که نتیجه‌ای داشته باشد و موقعیت شما بهتر کند. اگرچه رایانه‌ها در محاسبه و انتخاب حرکات بعدی بسیار بهتر از انسان‌ها هستند، اما برای بسیاری از موقعیت‌ها آن‌ها حتی نمی‌توانند به طور قطع تشخیص دهند که یک موقعیت ابزارهای مالی نوین در بورس برنده، بازنده یا مساوی است و مطمئناً هرگز نمی‌توانند آن را ثابت کنند. اثبات یک موقعیت عموماً به محاسبات بسیار زیادی نیاز دارد. بنابراین، کاری که مردم و رایانه‌ها انجام می‌دهند این است که از ابتکار عمل برای ارزیابی «ارزش» موقعیت‌های مختلف استفاده کنند و تخمین بزنند کدام بازیکن برنده خواهد شد. این مسئله می‌تواند به عنوان یک مشکل برای بازی‌های ماشینی مطرح شود، زیرا در آن‌ها مجموعه داده‌ها و موقعیت‌های زیادی وجود دارد که به الگوریتم آموزش می‌دهد تا پیش‌بینی کند چه کسی در یک موقعیت معین برنده خواهد شد.

به طور معمول، مدل‌های یادگیری ماشینی که برای این منظور استفاده می‌شوند در مورد چند حرکت احتمالی بعدی فکر می‌کنند و در نظر می‌گیرند که چه موقعیت‌هایی برای هر دو بازیکن قابل دسترسی است و سپس از موقعیت فعلی برای رسیدن به موقعیت‌های آینده استفاده می‌کنند. اما اینکه چه کسی در یک موقعیت خاص برنده می‌شود بستگی به این دارد ابزارهای مالی نوین در بورس که بازیکنان چقدر خوب هستند؛ بنابراین ارزیابی از مدل یک بازی خاص به این بستگی دارد که چه کسی چه بازی‌هایی را انجام می‌دهد. به ابزارهای مالی نوین در بورس طور معمول، زمانی که مفسران شطرنج در مورد "ارزش عینی" موقعیت‌های مختلف صحبت می‌کنند منظورشان این است که چه کسی احتمالاً با استفاده از یک موقعیت خاص برنده می‌شود. اما این معیار ارزش همیشه هنگام در نظر گرفتن موقعیتی که بازیکنان انسانی در پایان باید انجام دهند مفیدترین راه نیست؛ بنابراین دقیقاً مشخص نیست (Chess.com) باید چه چیزی را به عنوان یک "حرکت خوب" در نظر بگیرد.

اگر ما به عنوان یک بازیگر در شطرنج تقلب می‌کردیم و چند حرکت به پیشنهاد یک موتور بازی شطرنج انجام می‌دادیم ممکن بود حتی به پیروزی ما کمکی نکند. این پیشنهادات ممکن است یک حمله عالی ایجاد کند که هرگز به ذهن ما نمی‌رسد، اما ما به این روش نمی‌توانیم بازی کنیم مگر اینکه از موتور شطرنج باز بخواهیم که بقیه بازی را برای مان انجام دهد. تشخیص تقلب سخت است. اگر آنلاین بازی می‌کنید و نمی‌دانید که آیا حریف شما تقلب می‌کند و واقعاً نمی‌توانید با هیچ معیار قطعی بگویید، زیرا میلیون‌ها بازی انسانی را ندیده‌اید که با سبک‌های کاملاً متفاوت انجام می‌شوند، این مشکل در مدل‌های یادگیری ماشینی که با حجم عظیمی از داده‌ها آموزش می‌دهند بر طرف شده است. در نهایت آن‌ها ممکن است برای یکپارچگی در بازی شطرنج حیاتی باشند.