ডিপেগ সনাক্তকরণ: কার্ভ ফাইন্যান্সে নিরাপদ প্যাসিভ লিকুইডিটি প্রোভিশন

সূচিপত্র

১ ভূমিকা

এই গবেষণাটি প্রমাণ প্রদান করে যে কীভাবে পরিমাণগত মেট্রিক এবং শনাক্তকরণ অ্যালগরিদম তৈরি করা যেতে পারে যাতে তরলতা প্রদানকারীরা (এলপি) সম্ভাব্য স্টেবলকয়েন এবং তরল স্টেকিং ডেরিভেটিভ ডিপেগ সম্পর্কে রিয়েল-টাইমে সচেতন থাকতে পারে। গবেষণাটি কার্ভ ফাইন্যান্সের স্টেবলসোয়াপ পুলগুলিতে মনোনিবেশ করে এবং একটি অত্যাধুনিক শনাক্তকরণ সিস্টেম বিকাশ করে।

১.১ পটভূমি

স্টেবলকয়েন এবং লিকুইড স্টেকিং ডেরিভেটিভস হল অন্তর্নিহিত ভাসমান মুদ্রার সাথে সংযুক্ত টোকেন। স্টেবলকয়েন সাধারণত মার্কিন ডলারের সাথে সংযুক্ত থাকে, অন্যদিকে লিকুইড স্টেকিং ডেরিভেটিভস ETH বা অন্যান্য নেটওয়ার্ক টোকেনের সাথে সংযুক্ত থাকে। প্রতিষ্ঠানগুলি রিডেম্পশন মেকানিজম বজায় রাখে, কিন্তু যদি ব্যবসায়ীরা বিশ্বাস হারায়, সেকেন্ডারি মার্কেটে দাম হ্রাস পেতে পারে - এই প্রক্রিয়াকে ডিপেগিং বলা হয়।

২ পদ্ধতি

আমরা কার্ভ ফাইন্যান্স পুলের মূল্য ও ট্রেডিং ডেটার ভিত্তিতে সম্ভাব্য সম্পদ ডিপেগ শনাক্তের জন্য মেট্রিক্সের একটি স্যুট তৈরি করি।

২.১ ডিপেগ সনাক্তকরণ মেট্রিক্স

শনাক্তকরণ সিস্টেমটিতে একাধিক মেট্রিক্স অন্তর্ভুক্ত রয়েছে, যার মধ্যে রয়েছে মূল্য বিচ্যুতি, ট্রেডিং ভলিউম অনিয়মিততা, লিকুইডিটি পুলের ভারসাম্যহীনতা এবং ঐতিহাসিক অস্থিরতার প্যাটার্ন। এই মেট্রিক্সগুলোকে সমন্বিত করে একটি ব্যাপক ঝুঁকি মূল্যায়ন কাঠামো তৈরি করা হয়।

2.2 বেইজিয়ান অনলাইন চেঞ্জপয়েন্ট ডিটেকশন

আমরা সম্ভাব্য ডিপেগ সতর্কতা প্রদানের জন্য LPs কে সতর্ক করতে একটি Bayesian Online Changepoint Detection (BOCD) অ্যালগরিদম ফাইন-টিউন করি। BOCD মডেল স্ট্রিমিং ডেটা প্রক্রিয়া করে এবং সময়সিরিজ ডেটাতে কাঠামোগত বিচ্ছিন্নতা বাস্তব সময়ে শনাক্ত করে।

3 পরীক্ষামূলক ফলাফল

চেঞ্জপয়েন্ট শনাক্তকরণ অ্যালগরিদম ২০২২ এবং ২০২৩ সালজুড়ে 13টি স্টেবলসোয়াপ পুলের জন্য কার্ভ এলপি টোকেন মূল্যের বিপরীতে প্রশিক্ষিত এবং পরীক্ষিত হয়েছে।

3.1 USDC ডিপেগ সনাক্তকরণ

২০২২ সালের UST ডেটাতে প্রশিক্ষিত আমাদের মডেল, ১০ মার্চ UTC সময় রাত ৯টায় মার্চ ২০২৩-এ USDC ডিপেগ সফলভাবে সনাক্ত করেছে, USDC-এর মূল্য ৯৯ সেন্টের নিচে নেমে যাওয়ার প্রায় ৫ ঘন্টা আগে। এই প্রাথমিক সনাক্তকরণ লিকুইডিটি প্রদানকারীদের জন্য উল্লেখযোগ্য সতর্কতা প্রদান করে।

3.2 কর্মদক্ষতা মূল্যায়ন

১৭-মাসের পরীক্ষামূলক সময়কালে সিস্টেমটি খুব কম মিথ্যা অ্যালার্ম প্রদর্শন করেছে, একাধিক ডিপেগ ইভেন্ট যেমন UST, USDC এবং stETH ডিপেগের মধ্যে শক্তিশালী কর্মক্ষমতা দেখিয়েছে।

4 Technical Implementation

4.1 Mathematical Framework

বেইজিয়ান অনলাইন চেঞ্জপয়েন্ট ডিটেকশন অ্যালগরিদম নিম্নলিখিত গাণিতিক সূত্রের উপর ভিত্তি করে তৈরি:

$r_t$ রান লেংথ সময় $t$-তে শেষ চেঞ্জপয়েন্টের পর থেকে কত সময় অতিক্রান্ত হয়েছে তা নির্দেশ করে। রান লেংথের সম্ভাব্যতা পুনরাবৃত্তিমূলকভাবে হালনাগাদ করা হয়:

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

যেখানে $x_t^{(r)}$ শেষ পরিবর্তনবিন্দু থেকে ডেটা প্রতিনিধিত্ব করে, এবং হ্যাজার্ড ফাংশন $H(r_t)$ একটি পরিবর্তনবিন্দুর সম্ভাবনা নির্ধারণ করে:

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

4.2 কোড বাস্তবায়ন

class BayesianChangepointDetector:

5 ভবিষ্যত প্রয়োগ

This research can be extended to dynamically de-risk Curve pools by modifying parameters in anticipation of potential depegs. Future applications include:

• DeFi প্রোটোকলের জন্য রিয়েল-টাইম ঝুঁকি ব্যবস্থাপনা API
• ঝুঁকি সংকেতের ভিত্তিতে ডাইনামিক পুল প্যারামিটার সমন্বয়
• ক্রস-প্রোটোকল ডিপেগ সনাক্তকরণ সিস্টেম
• Liquidity providers-এর জন্য বীমা পণ্য
• Stablecoin issuers-এর জন্য নিয়ন্ত্রণমূলক পর্যবেক্ষণ সরঞ্জাম

৬টি মূল বিশ্লেষণ

সিন্ট্রা ও হলোওয়ের গবেষণা বিকেন্দ্রীকৃত অর্থনীতির জন্য রিয়েল-টাইম ঝুঁকি ব্যবস্থাপনায় একটি উল্লেখযোগ্য অগ্রগতির প্রতিনিধিত্ব করে। স্টেবলকয়েন ডিপেগ পরিস্থিতিতে বেইজিয়ান অনলাইন চেঞ্জপয়েন্ট শনাক্তকরণের তাদের প্রয়োগ দেখায় যে কীভাবে পরিশীলিত পরিসংখ্যানগত পদ্ধতিগুলি ব্লকচেইন আর্থিক বাজারের জন্য অভিযোজিত হতে পারে। এই পদ্ধতিটি ঐতিহ্যগত অর্থনীতিতে ব্যবহৃত চেঞ্জপয়েন্ট শনাক্তকরণ কৌশলগুলির সাথে সাদৃশ্য বহন করে, যেমন অ্যাডামস ও ম্যাককে-এর (২০০৭) বেইজিয়ান অনলাইন চেঞ্জপয়েন্ট শনাক্তকরণ সম্পর্কিত মৌলিক কাজে বর্ণিত হয়েছে, তবে এটি স্বয়ংক্রিয় মার্কেট মেকারদের অনন্য বৈশিষ্ট্যগুলির জন্য অভিযোজিত।

এই পদ্ধতিটিকে বিশেষভাবে উদ্ভাবনী করে তুলেছে এর রিয়েল-টাইম সামর্থ্য এবং ন্যূনতম মিথ্যা সতর্কতা হার। ঐতিহ্যবাহী আর্থিক নজরদারি ব্যবস্থাগুলির থেকে ভিন্ন, যা সরল থ্রেশহোল্ড-ভিত্তিক সতর্কতার উপর নির্ভর করতে পারে, বেইজিয়ান কাঠামো অনিশ্চয়তা পরিমাপ এবং অনুক্রমিক হালনাগাদকে অন্তর্ভুক্ত করে। এটি অস্বাভাবিকতা শনাক্তকরণে আধুনিক মেশিন লার্নিং পদ্ধতির সাথে সামঞ্জস্যপূর্ণ, সাইবার নিরাপত্তা এবং নেটওয়ার্ক পর্যবেক্ষণে ব্যবহৃত কৌশলগুলির অনুরূপ। সিলিকন ভ্যালি ব্যাংক পতনের সময় বেশিরভাগ বাজার অংশগ্রহণকারী বিস্মিত হয়েছিলেন বলে বিবেচনা করলে, ইউএসডিসি ডিপেগ ৫ ঘন্টা আগে শনাক্ত করার এই সিস্টেমের ক্ষমতা উল্লেখযোগ্য।

গবেষণাটি শাস্ত্রীয় পরিসংখ্যান এবং আধুনিক মেশিন লার্নিং উভয়ের প্রতিষ্ঠিত নীতির উপর গড়ে উঠেছে। গাণিতিক ভিত্তিটি বেইজিয়ান ইনফারেন্স পদ্ধতি থেকে আঁকা হয়েছে, গাউসিয়ান প্রসেস রিগ্রেশন এবং সিকোয়েনশিয়াল মন্টে কার্লোতে ব্যবহৃত পদ্ধতিগুলির অনুরূপ, যেমন বিশপ (২০০৬) এর "প্যাটার্ন রিকগনিশন অ্যান্ড মেশিন লার্নিং" এর মতো কাজগুলিতে উদ্ধৃত হয়েছে। তবে DeFi লিকুইডিটি প্রোভিশনে এর প্রয়োগ একটি নতুন অবদান। ১৭ মাস ধরে ১৩টি বিভিন্ন পুল জুড়ে সিস্টেমের কর্মক্ষমতা ন্যূনতম ফলস অ্যালার্ম সহ শক্তিশালী সাধারণীকরণ ক্ষমতার ইঙ্গিত দেয়।

অন্য DeFi ঝুঁকি ব্যবস্থাপনা পদ্ধতির সাথে তুলনা করলে, যেমন লেন্ডিং প্রোটোকলে ব্যবহৃত ওরাকল-ভিত্তিক মূল্য ফিড বা কিছু কেন্দ্রীভূত এক্সচেঞ্জের সার্কিট ব্রেকার প্রক্রিয়া, এই পদ্ধতিটি একটি আরও প্রোঅ্যাকটিভ এবং সূক্ষ্ম পন্থা প্রদান করে। এটি কেবল মূল্যের ওঠানামার প্রতিক্রিয়া জানায় না বরং বাজার আচরণের ধারায় কাঠামোগত পরিবর্তন শনাক্ত করে। এটি সম্ভাব্যভাবে গতিশীল AMM প্যারামিটার সমন্বয় সিস্টেমের সাথে একীভূত হতে পারে, Angeris et al. (2021) এর প্রোগ্রামযোগ্য লিকুইডিটি বিষয়ক কাজের অনুরূপ, যা উন্নত মূল্য ওরাকল নিয়ে কাজ করে, এভাবে বিকেন্দ্রীভূত এক্সচেঞ্জের জন্য একটি সামগ্রিক ঝুঁকি ব্যবস্থাপনা কাঠামো তৈরি করে।

লিকুইডিটি প্রদানকারীদের জন্য একটি API হিসেবে এর ব্যবহারিক বাস্তবায়ন এই গবেষণার তাৎক্ষণিক প্রযোজ্যতা প্রদর্শন করে। এটি একাডেমিক পদ্ধতি ও বাস্তব-বিশ্বের উপযোগিতার মধ্যে ব্যবধান দূর করে, দ্রুত বিকশিত DeFi বাস্তুতন্ত্রে একটি গুরুত্বপূর্ণ প্রয়োজন মেটায়। স্টেবলকয়েন বাজারগুলির ক্রমাগত বৃদ্ধি এবং নিয়ন্ত্রক তদন্তের মুখোমুখি হওয়ার সাথে সাথে, অংশগ্রহণকারী এবং নিয়ন্ত্রক উভয়ের জন্যই এই ধরনের শনাক্তকরণ সিস্টেমগুলি ক্রমবর্ধমান মূল্যবান হয়ে উঠবে।

৭ তথ্যসূত্র

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.