كشف انزياح سعر العملات المستقرة: توفير سيولة سلبية أكثر أمانًا على Curve Finance

جدول المحتويات

1 المقدمة

يقدم هذا البحث دليلاً على كيفية بناء المقاييس الكمية وخوارزميات الكشف لإبقاء مزودي السيولة (LPs) على اطلاع فوري بانزياحات العملات المستقرة ومشتقات التمويل السائل المحتملة. تركز الدراسة على مجمعات StableSwap في Curve Finance وتطور نظام كشف متطور.

1.1 الخلفية

العملات المستقرة ومشتقات التمويل السائل هي رموز مرتبطة بعملات عائمة أساسية. العملات المستقرة مرتبطة عمومًا بالدولار الأمريكي، بينما مشتقات التمويل السائل مرتبطة بـ ETH أو رموز شبكة أخرى. تحافظ المؤسسات على آليات الاسترداد، ولكن إذا فقد المتداولون الثقة، يمكن أن تنخفض الأسعار في الأسواق الثانوية - وهي عملية تسمى الانزياح.

2 المنهجية

نقوم ببناء مجموعة من المقاييس المصممة لاكتشاف انزياحات الأصول المحتملة بناءً على بيانات السعر والتداول من مجمعات Curve Finance.

2.1 مقاييس كشف الانزياح

يتضمن نظام الكشف مقاييس متعددة تشمل انحراف السعر، والشذوذ في حجم التداول، وعدم التوازن في مجمع السيولة، وأنماط التقلب التاريخية. يتم دمج هذه المقاييس لإنشاء إطار تقييم مخاطر شامل.

2.2 الكشف البايزي الآني عن نقاط التحول

نقوم بضبط خوارزمية الكشف البايزي الآني عن نقاط التحول (BOCD) لتنبيه مزودي السيولة بانزياحات محتملة. تعالج نموذج BOCD بيانات البث المباشر وتحدد الانقطاعات الهيكلية في بيانات السلاسل الزمنية في الوقت الفعلي.

3 النتائج التجريبية

تم تدريب خوارزمية كشف نقاط التحول واختبارها مقابل أسعار رموز LP في Curve لـ 13 مجمع StableSwap طوال عامي 2022 و 2023.

3.1 كشف انزياح USDC

نموذجنا، الذي تم تدريبه على بيانات UST لعام 2022، اكتشف بنجاح انزياح USDC في مارس 2023 في الساعة 9 مساءً بالتوقيت العالمي في 10 مارس، قبل حوالي 5 ساعات من انخفاض USDC إلى أقل من 99 سنتًا. وفر هذا الكشف المبكر تحذيرًا كبيرًا لمزودي السيولة.

3.2 تقييم الأداء

أظهر النظام عددًا قليلاً من الإنذارات الكاذبة خلال فترة الاختبار البالغة 17 شهرًا، مما أظهر أداءً قويًا عبر أحداث الانزياح المتعددة بما في ذلك انزياحات UST و USDC و stETH.

4 التنفيذ التقني

4.1 الإطار الرياضي

تعتمد خوارزمية الكشف البايزي الآني عن نقاط التحول على الصياغة الرياضية التالية:

يمثل طول التشغيل $r_t$ في الوقت $t$ الوقت منذ آخر نقطة تحول. يتم تحديث احتمالية طول التشغيل بشكل متكرر:

$P(r_t | x_{1:t}) = \sum_{r_{t-1}} P(r_t | r_{t-1}) P(x_t | r_{t-1}, x_t^{(r)}) P(r_{t-1} | x_{1:t-1})$

حيث تمثل $x_t^{(r)}$ البيانات منذ آخر نقطة تحول، وتحدد دالة الخطر $H(r_t)$ احتمالية نقطة التحول:

$P(r_t | r_{t-1}) = \begin{cases} H(r_{t-1} + 1) & \text{if } r_t = 0 \\ 1 - H(r_{t-1} + 1) & \text{if } r_t = r_{t-1} + 1 \\ 0 & \text{otherwise} \end{cases}$

4.2 تنفيذ الكود

class BayesianChangepointDetector:
    def __init__(self, hazard_function, observation_likelihood):
        self.hazard = hazard_function
        self.observation_likelihood = observation_likelihood
        self.run_length_posterior = [1.0]
        
    def update(self, new_observation):
        # خطوة التنبؤ
        predictive_probs = []
        for r in range(len(self.run_length_posterior)):
            prob = self.run_length_posterior[r] * (1 - self.hazard(r))
            predictive_probs.append(prob)
        
        # احتمالية نقطة التحول
        changepoint_prob = sum([self.run_length_posterior[r] * 
                              self.hazard(r) for r in range(len(self.run_length_posterior))])
        predictive_probs.insert(0, changepoint_prob)
        
        # خطوة التحديث
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # تحديث الإحصائيات الكافية لطول التشغيل r
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # التطبيع
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # إرجاع احتمالية نقطة التحول

5 التطبيقات المستقبلية

يمكن توسيع هذا البحث لإزالة المخاطر ديناميكيًا من مجمعات Curve عن طريق تعديل المعلمات استباقًا لانزياحات محتملة. تشمل التطبيقات المستقبلية:

• واجهات برمجة تطبيقات إدارة المخاطر في الوقت الفعلي لبروتوكولات DeFi
• تعديل معلمات المجمع الديناميكية بناءً على إشارات المخاطر
• أنظمة كشف الانزياح عبر البروتوكولات
• منتجات التأمين لمزودي السيولة
• أدوات المراقبة التنظيمية لمصدري العملات المستقرة

6 التحليل الأصلي

يمثل البحث الذي أجراه Cintra و Holloway تقدمًا كبيرًا في إدارة المخاطر في الوقت الفعلي للتمويل اللامركزي. يوضح تطبيقهم للكشف البايزي الآني عن نقاط التحول على سيناريوهات الانزياح في العملات المستقرة كيف يمكن تكييف الأساليب الإحصائية المتطورة لأسواق البلوك تشين المالية. تشبه المنهجية تقنيات كشف نقاط التحول المستخدمة في التمويل التقليدي، مثل تلك الموضحة في العمل المؤسس لـ Adams و MacKay (2007) حول الكشف البايزي الآني عن نقاط التحول، ولكن تم تكييفها لخصائص صانعي السوق الآليين الفريدة.

ما يجعل هذا النهج مبتكرًا بشكل خاص هو قدرته في الوقت الفعلي ومعدل الإيجابيات الكاذبة المنخفض. على عكس أنظمة المراقبة المالية التقليدية التي قد تعتمد على تنبيهات أبسط قائمة على العتبات، فإن الإطار البايزي يتضمن قياس عدم اليقين والتحديث التسلسلي. يتوافق هذا مع نهج التعلم الآلي الحديثة في كشف الشذوذ، المشابهة للتقنيات المستخدمة في الأمن السيبراني ومراقبة الشبكات. قدرة النظام على اكتشاف انزياح USDC قبل 5 ساعات ملحوظة، نظرًا لأن معظم المشاركين في السوق فوجئوا خلال انهيار Silicon Valley Bank.

يبني البحث على مبادئ راسخة من الإحصاءات الكلاسيكية والتعلم الآلي الحديث. يستند الأساس الرياضي إلى طرق الاستدلال البايزي المشابهة لتلك المستخدمة في الانحدار الغاوسي والتقدير التسلسلي، كما هو موثق في أعمال مثل "Pattern Recognition and Machine Learning" لـ Bishop (2006). ومع ذلك، فإن التطبيق على توفير السيولة في DeFi يمثل مساهمة جديدة. يشير أداء النظام عبر 13 مجمعًا مختلفًا على مدى 17 شهرًا مع حد أدنى من الإنذارات الكاذبة إلى قدرات تعميم قوية.

مقارنة بمناهج إدارة المخاطر الأخرى في DeFi، مثل تغذية الأسعار القائمة على Oracle المستخدمة في بروتوكولات الإقراض أو آليات قواطع الدائرة في بعض البورصات المركزية، تقدم هذه المنهجية نهجًا أكثر استباقية وتفصيلاً. لا تتفاعل فقط مع تحركات الأسعار ولكنها تحدد التغيرات الهيكلية في أنماط سلوك السوق. يمكن دمج هذا بشكل محتمل مع أنظمة تعديل معلمات AMM الديناميكية، على غرار العمل على السيولة القابلة للبرمجة من قبل Angeris et al. (2021) حول Oracle الأسعار المحسنة، مما يخلق إطارًا شاملاً لإدارة المخاطر للبورصات اللامركزية.

يوضح التنفيذ العملي كواجهة برمجة تطبيقات لمزودي السيولة القابلية الفورية للتطبيق للبحث. هذا يربط الفجوة بين المنهجية الأكاديمية والمنفعة الواقعية، معالجة حاجة حرجة في نظام DeFi سريع التطور. مع استمرار نمو أسواق العملات المستقرة ومواجهتها للتدقيق التنظيمي، ستصبح أنظمة الكشف هذه ذات قيمة متزايدة لكل من المشاركين والجهات التنظيمية.

7 المراجع

1. Adams, R.P., & MacKay, D.J.C. (2007). Bayesian Online Changepoint Detection. University of Cambridge.
2. Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer.
3. Angeris, G., et al. (2021). Improved Price Oracles: Constant Function Market Makers. Proceedings of the ACM on Measurement and Analysis of Computing Systems.
4. Bolger, M., & Hon, H. (2022). When the Currency Breaks. Llama Risk Research.
5. Egorov, M. (2019). StableSwap - efficient mechanism for Stablecoin liquidity. Curve Finance Whitepaper.
6. Goodfellow, I., et al. (2016). Deep Learning. MIT Press.