Detección de Desanclajes: Provisión de Liquidez Pasiva Más Segura en Curve Finance

Tabla de Contenidos

1 Introducción

Esta investigación proporciona evidencia sobre cómo se pueden construir métricas cuantitativas y algoritmos de detección para mantener a los proveedores de liquidez (LPs) informados en tiempo real sobre posibles desanclajes de stablecoins y derivados de staking líquido. El estudio se centra en los pools StableSwap de Curve Finance y desarrolla un sistema de detección sofisticado.

1.1 Antecedentes

Las stablecoins y los derivados de staking líquido son tokens anclados a monedas flotantes subyacentes. Las stablecoins generalmente están ancladas al dólar estadounidense, mientras que los derivados de staking líquido están anclados a ETH u otros tokens de red. Las organizaciones mantienen mecanismos de redención, pero si los operadores pierden confianza, los precios pueden disminuir en los mercados secundarios, un proceso denominado desanclaje.

2 Metodología

Construimos un conjunto de métricas diseñadas para detectar posibles desanclajes de activos basadas en datos de precios y operaciones de los pools de Curve Finance.

2.1 Métricas de Detección de Desanclajes

El sistema de detección incorpora múltiples métricas que incluyen desviación de precios, anomalías en el volumen de operaciones, desequilibrios en los pools de liquidez y patrones históricos de volatilidad. Estas métricas se combinan para crear un marco integral de evaluación de riesgos.

2.2 Detección Bayesiana de Cambios en Tiempo Real

Afinamos un algoritmo de Detección Bayesiana de Cambios en Tiempo Real (BOCD) para alertar a los LPs sobre posibles desanclajes. El modelo BOCD procesa datos en flujo e identifica rupturas estructurales en datos de series temporales en tiempo real.

3 Resultados Experimentales

El algoritmo de detección de cambios fue entrenado y probado con los precios de tokens LP de Curve para 13 pools StableSwap a lo largo de 2022 y 2023.

3.1 Detección del Desanclaje de USDC

Nuestro modelo, entrenado con datos de UST de 2022, detectó exitosamente el desanclaje de USDC en marzo de 2023 a las 9 pm UTC del 10 de marzo, aproximadamente 5 horas antes de que USDC cayera por debajo de 99 centavos. Esta detección temprana proporcionó una advertencia significativa a los proveedores de liquidez.

3.2 Evaluación del Rendimiento

El sistema demostró pocas falsas alarmas durante el período de prueba de 17 meses, mostrando un rendimiento robusto en múltiples eventos de desanclaje, incluidos UST, USDC y stETH.

4 Implementación Técnica

4.1 Marco Matemático

El algoritmo de Detección Bayesiana de Cambios en Tiempo Real se basa en la siguiente formulación matemática:

La longitud de ejecución $r_t$ en el tiempo $t$ representa el tiempo transcurrido desde el último punto de cambio. La probabilidad de la longitud de ejecución se actualiza recursivamente:

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

Donde $x_t^{(r)}$ representa los datos desde el último punto de cambio, y la función de riesgo $H(r_t)$ determina la probabilidad de un punto de cambio:

$P(r_t | r_{t-1}) = \begin{cases} H(r_{t-1} + 1) & \text{si } r_t = 0 \\ 1 - H(r_{t-1} + 1) & \text{si } r_t = r_{t-1} + 1 \\ 0 & \text{en otro caso} \end{cases}$

4.2 Implementación del Código

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):
        # Paso de predicción
        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)
        
        # Probabilidad de cambio
        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)
        
        # Paso de actualización
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # Actualizar estadísticas suficientes para longitud de ejecución r
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # Normalizar
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # Devolver probabilidad de cambio

5 Aplicaciones Futuras

Esta investigación puede extenderse para des-riesgar dinámicamente los pools de Curve modificando parámetros en anticipación a posibles desanclajes. Las aplicaciones futuras incluyen:

• APIs de gestión de riesgos en tiempo real para protocolos DeFi
• Ajuste dinámico de parámetros de pools basado en señales de riesgo
• Sistemas de detección de desanclajes entre protocolos
• Productos de seguro para proveedores de liquidez
• Herramientas de monitoreo regulatorio para emisores de stablecoins

6 Análisis Original

La investigación de Cintra y Holloway representa un avance significativo en la gestión de riesgos en tiempo real para las finanzas descentralizadas. Su aplicación de la Detección Bayesiana de Cambios en Tiempo Real a escenarios de desanclaje de stablecoins demuestra cómo los métodos estadísticos sofisticados pueden adaptarse para los mercados financieros blockchain. La metodología guarda similitud con las técnicas de detección de puntos de cambio utilizadas en las finanzas tradicionales, como las descritas en el trabajo seminal de Adams y MacKay (2007) sobre detección bayesiana de cambios en tiempo real, pero adaptada para las características únicas de los creadores de mercado automatizados.

Lo que hace que este enfoque sea particularmente innovador es su capacidad en tiempo real y su tasa mínima de falsos positivos. A diferencia de los sistemas de vigilancia financiera tradicionales que podrían depender de alertas basadas en umbrales más simples, el marco bayesiano incorpora cuantificación de incertidumbre y actualización secuencial. Esto se alinea con los enfoques modernos de aprendizaje automático en detección de anomalías, similares a las técnicas utilizadas en ciberseguridad y monitoreo de redes. La capacidad del sistema para detectar el desanclaje de USDC con 5 horas de anticipación es notable, considerando que la mayoría de los participantes del mercado fueron tomados por sorpresa durante el colapso de Silicon Valley Bank.

La investigación se basa en principios establecidos tanto de la estadística clásica como del aprendizaje automático moderno. La base matemática se deriva de métodos de inferencia bayesiana similares a los utilizados en regresión de procesos gaussianos y Monte Carlo secuencial, como se referencia en obras como "Pattern Recognition and Machine Learning" de Bishop (2006). Sin embargo, la aplicación a la provisión de liquidez DeFi representa una contribución novedosa. El rendimiento del sistema en 13 pools diferentes durante 17 meses con falsas alarmas mínimas sugiere capacidades de generalización robustas.

En comparación con otros enfoques de gestión de riesgos DeFi, como los feeds de precios basados en oráculos utilizados en protocolos de préstamo o los mecanismos de cortacircuitos en algunos intercambios centralizados, esta metodología ofrece un enfoque más proactivo y matizado. No solo reacciona a los movimientos de precios, sino que identifica cambios estructurales en los patrones de comportamiento del mercado. Esto podría integrarse potencialmente con sistemas de ajuste dinámico de parámetros AMM, similar al trabajo sobre liquidez programable de Angeris et al. (2021) sobre oráculos de precios mejorados, creando un marco integral de gestión de riesgos para intercambios descentralizados.

La implementación práctica como una API para proveedores de liquidez demuestra la aplicabilidad inmediata de la investigación. Esto cierra la brecha entre la metodología académica y la utilidad en el mundo real, abordando una necesidad crítica en el ecosistema DeFi en rápida evolución. A medida que los mercados de stablecoins continúan creciendo y enfrentan escrutinio regulatorio, tales sistemas de detección se volverán cada vez más valiosos tanto para participantes como para reguladores.

7 Referencias

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.