تشخیص انحراف از قیمت ثابت: ارائه نقدینگی غیرفعال ایمن‌تر در Curve Finance

فهرست مطالب

1 مقدمه

این تحقیق شواهدی ارائه می‌دهد که چگونه می‌توان معیارهای کمی و الگوریتم‌های تشخیصی ساخت تا ارائه‌دهندگان نقدینگی (LPs) را به‌طور لحظه‌ای از انحرافات بالقوه استیبل‌کوین‌ها و مشتقات استیکینگ نقد مطلع کند. این مطالعه بر استخرهای StableSwap در Curve Finance متمرکز شده و یک سیستم تشخیص پیشرفته توسعه می‌دهد.

1.1 پیشینه

استیبل‌کوین‌ها و مشتقات استیکینگ نقد، توکن‌هایی هستند که به ارزهای شناور پایه متصل شده‌اند. استیبل‌کوین‌ها عموماً به دلار آمریکا متصل هستند، در حالی که مشتقات استیکینگ نقد به ETH یا سایر توکن‌های شبکه متصل می‌شوند. سازمان‌ها مکانیسم‌های بازخرید را حفظ می‌کنند، اما اگر معامله‌گران اعتماد خود را از دست بدهند، قیمت‌ها در بازارهای ثانویه کاهش می‌یابند - فرآیندی که انحراف از قیمت ثابت نامیده می‌شود.

2 روش‌شناسی

ما مجموعه‌ای از معیارها طراحی کرده‌ایم که برای تشخیص انحرافات بالقوه دارایی بر اساس داده‌های قیمت و معاملات از استخرهای Curve Finance طراحی شده‌اند.

2.1 معیارهای تشخیص انحراف از قیمت ثابت

سیستم تشخیص شامل معیارهای متعددی از جمله انحراف قیمت، ناهنجاری‌های حجم معاملات، عدم تعادل استخر نقدینگی و الگوهای نوسانات تاریخی است. این معیارها برای ایجاد یک چارچوب ارزیابی ریسک جامع ترکیب می‌شوند.

2.2 تشخیص آنلاین بیزی نقطه تغییر

ما یک الگوریتم تشخیص آنلاین بیزی نقطه تغییر (BOCD) را تنظیم دقیق کرده‌ایم تا ارائه‌دهندگان نقدینگی را از انحرافات بالقوه مطلع کند. مدل BOCD داده‌های جریانی را پردازش کرده و شکست‌های ساختاری در داده‌های سری زمانی را به‌طور لحظه‌ای شناسایی می‌کند.

3 نتایج آزمایشی

الگوریتم تشخیص نقطه تغییر برای قیمت‌های توکن LP در Curve برای 13 استخر StableSwap در طول سال‌های 2022 و 2023 آموزش داده و آزمایش شد.

3.1 تشخیص انحراف USDC

مدل ما که بر روی داده‌های UST سال 2022 آموزش دیده بود، موفق شد انحراف USDC را در مارس 2023 در ساعت 9 شب به وقت UTC در 10 مارس، تقریباً 5 ساعت قبل از سقوط USDC به زیر 99 سنت تشخیص دهد. این تشخیص زودهنگام هشدار قابل توجهی به ارائه‌دهندگان نقدینگی ارائه داد.

3.2 ارزیابی عملکرد

این سیستم در طول دوره آزمایش 17 ماهه هشدارهای کاذب کمی نشان داد و عملکرد قوی در رویدادهای متعدد انحراف از جمله انحرافات UST، USDC و stETH نشان داد.

4 پیاده‌سازی فنی

4.1 چارچوب ریاضی

الگوریتم تشخیص آنلاین بیزی نقطه تغییر بر اساس فرمول‌بندی ریاضی زیر است:

طول اجرا $r_t$ در زمان $t$ نشان‌دهنده زمان از آخرین نقطه تغییر است. احتمال طول اجرا به صورت بازگشتی به‌روزرسانی می‌شود:

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

جایی که $x_t^{(r)}$ نشان‌دهنده داده از آخرین نقطه تغییر است، و تابع خطر $H(r_t)$ احتمال یک نقطه تغییر را تعیین می‌کند:

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

4.2 پیاده‌سازی کد

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):
        # مرحله پیش‌بینی
        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)
        
        # احتمال نقطه تغییر
        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)
        
        # مرحله به‌روزرسانی
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # به‌روزرسانی آماره‌های کافی برای طول اجرا r
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # نرمال‌سازی
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # بازگشت احتمال نقطه تغییر

5 کاربردهای آینده

این تحقیق را می‌توان برای کاهش پویایی ریسک استخرهای Curve با تغییر پارامترها در anticipation از انحرافات بالقوه گسترش داد. کاربردهای آینده شامل:

• APIهای مدیریت ریسک لحظه‌ای برای پروتکل‌های DeFi
• تنظیم پارامترهای پویای استخر بر اساس سیگنال‌های ریسک
• سیستم‌های تشخیص انحراف بین پروتکلی
• محصولات بیمه‌ای برای ارائه‌دهندگان نقدینگی
• ابزارهای نظارتی برای صادرکنندگان استیبل‌کوین

6 تحلیل اصلی

تحقیق سینترا و هالووی نشان‌دهنده پیشرفت قابل توجهی در مدیریت ریسک لحظه‌ای برای امور مالی غیرمتمرکز است. کاربرد تشخیص آنلاین بیزی نقطه تغییر در سناریوهای انحراف استیبل‌کوین‌ها نشان می‌دهد که چگونه روش‌های آماری پیشرفته را می‌توان برای بازارهای مالی بلاکچین تطبیق داد. این روش‌شناسی شباهت‌هایی با تکنیک‌های تشخیص نقطه تغییر مورد استفاده در امور مالی سنتی دارد، مانند موارد توصیف شده در کار seminal آدامز و مک‌کی (2007) در مورد تشخیص آنلاین بیزی نقطه تغییر، اما برای ویژگی‌های منحصر به فرد بازارسازان خودکار تطبیق داده شده است.

آنچه این رویکرد را به ویژه نوآورانه می‌کند، قابلیت لحظه‌ای و نرخ حداقل مثبت کاذب آن است. برخلاف سیستم‌های نظارت مالی سنتی که ممکن است به هشدارهای ساده مبتنی بر آستانه متکی باشند، چارچوب بیزی شامل کمّی‌سازی عدم قطعیت و به‌روزرسانی ترتیبی است. این با رویکردهای مدرن یادگیری ماشین در تشخیص ناهنجاری همسو است، مشابه تکنیک‌های مورد استفاده در امنیت سایبری و نظارت بر شبکه. قابلیت سیستم در تشخیص انحراف USDC با 5 ساعت پیش‌بینی قابل توجه است، با توجه به اینکه بیشتر مشارکت‌کنندگان بازار در طول فروپاشی Silicon Valley Bank غافلگیر شدند.

این تحقیق بر اصول تأسیس شده از آمار کلاسیک و یادگیری ماشین مدرن بنا شده است. پایه ریاضی از روش‌های استنتاج بیزی مشابه موارد استفاده شده در رگرسیون فرآیند گاوسی و مونت کارلو ترتیبی گرفته شده است، همانطور که در آثار مرجعی مانند "Pattern Recognition and Machine Learning" توسط بیشاپ (2006) مرجع شده است. با این حال، کاربرد در ارائه نقدینگی DeFi نشان‌دهنده یک مشارکت نوآورانه است. عملکرد سیستم در 13 استخر مختلف در طول 17 ماه با حداقل هشدارهای کاذب نشان‌دهنده قابلیت‌های تعمیم قوی است.

در مقایسه با سایر رویکردهای مدیریت ریسک DeFi، مانند فیدهای قیمت مبتنی بر اوراکل مورد استفاده در پروتکل‌های وام‌دهی یا مکانیسم‌های قطع مدار در برخی صرافی‌های متمرکز، این روش‌شناسی رویکردی پیش‌گیرانه‌تر و ظریف‌تر ارائه می‌دهد. این فقط به حرکات قیمت واکنش نشان نمی‌دهد، بلکه تغییرات ساختاری در الگوهای رفتار بازار را شناسایی می‌کند. این به طور بالقوه می‌تواند با سیستم‌های تنظیم پارامتر پویای AMM ادغام شود، مشابه کار روی نقدینگی برنامه‌پذیر توسط آنگریس و همکاران (2021) در مورد اوراکل‌های قیمت بهبود یافته، و یک چارچوب مدیریت ریسک جامع برای صرافی‌های غیرمتمرکز ایجاد کند.

پیاده‌سازی عملی به عنوان یک API برای ارائه‌دهندگان نقدینگی، کاربرد فوری تحقیق را نشان می‌دهد. این شکاف بین روش‌شناسی آکادمیک و کاربرد دنیای واقعی را پل می‌زند و یک نیاز حیاتی در اکوسیستم در حال تکامل سریع DeFi را برطرف می‌کند. با ادامه رشد بازارهای استیبل‌کوین و مواجهه با بررسی‌های نظارتی، چنین سیستم‌های تشخیصی برای هر دو مشارکت‌کنندگان و تنظیم‌کنندگان به طور فزاینده‌ای ارزشمند خواهند شد.

7 منابع

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.