Détection des Dépegs : Fourniture de Liquidité Passive Plus Sûre sur Curve Finance

Table des Matières

1 Introduction

Cette recherche démontre comment des métriques quantitatives et des algorithmes de détection peuvent être construits pour informer les fournisseurs de liquidité (LP) en temps réel sur les dépegs potentiels des stablecoins et des dérivés de staking liquide. L'étude se concentre sur les pools StableSwap de Curve Finance et développe un système de détection sophistiqué.

1.1 Contexte

Les stablecoins et les dérivés de staking liquide sont des jetons indexés sur des devises flottantes sous-jacentes. Les stablecoins sont généralement indexés sur le dollar américain, tandis que les dérivés de staking liquide sont indexés sur l'ETH ou d'autres jetons de réseau. Les organisations maintiennent des mécanismes de rachat, mais si les traders perdent confiance, les prix peuvent baisser sur les marchés secondaires - un processus appelé dépegging.

2 Méthodologie

Nous construisons un ensemble de métriques conçues pour détecter les dépegs potentiels d'actifs sur la base des données de prix et de trading des pools Curve Finance.

2.1 Métriques de Détection des Dépegs

Le système de détection intègre plusieurs métriques, notamment l'écart de prix, les anomalies de volume de trading, les déséquilibres des pools de liquidité et les modèles de volatilité historique. Ces métriques sont combinées pour créer un cadre d'évaluation des risques complet.

2.2 Détection Bayésienne en Ligne des Points de Rupture

Nous affinons un algorithme de Détection Bayésienne en Ligne des Points de Rupture (BOCD) pour alerter les LP des dépegs potentiels. Le modèle BOCD traite les données en flux continu et identifie les ruptures structurelles dans les données de séries chronologiques en temps réel.

3 Résultats Expérimentaux

L'algorithme de détection des points de rupture a été entraîné et testé sur les prix des jetons LP de Curve pour 13 pools StableSwap tout au long de 2022 et 2023.

3.1 Détection du Dépeg de l'USDC

Notre modèle, entraîné sur les données UST de 2022, a détecté avec succès le dépeg de l'USDC en mars 2023 à 21h UTC le 10 mars, environ 5 heures avant que l'USDC ne tombe en dessous de 99 cents. Cette détection précoce a fourni un avertissement significatif aux fournisseurs de liquidité.

3.2 Évaluation des Performances

Le système a démontré peu de fausses alertes pendant la période de test de 17 mois, montrant des performances robustes lors de multiples événements de dépeg, y compris les dépegs de l'UST, de l'USDC et du stETH.

4 Implémentation Technique

4.1 Cadre Mathématique

L'algorithme de Détection Bayésienne en Ligne des Points de Rupture est basé sur la formulation mathématique suivante :

La longueur de séquence $r_t$ au temps $t$ représente le temps écoulé depuis le dernier point de rupture. La probabilité de la longueur de séquence est mise à jour de manière récursive :

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

Où $x_t^{(r)}$ représente les données depuis le dernier point de rupture, et la fonction de risque $H(r_t)$ détermine la probabilité d'un point de rupture :

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

4.2 Implémentation du Code

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):
        # Étape de prédiction
        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)
        
        # Probabilité de point de rupture
        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)
        
        # Étape de mise à jour
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # Mettre à jour les statistiques suffisantes pour la longueur de séquence r
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # Normalisation
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # Retourner la probabilité de point de rupture

5 Applications Futures

Cette recherche peut être étendue pour dé-risquer dynamiquement les pools Curve en modifiant les paramètres en anticipation de dépegs potentiels. Les applications futures incluent :

• API de gestion des risques en temps réel pour les protocoles DeFi
• Ajustement dynamique des paramètres du pool basé sur les signaux de risque
• Systèmes de détection de dépeg inter-protocoles
• Produits d'assurance pour les fournisseurs de liquidité
• Outils de surveillance réglementaire pour les émetteurs de stablecoins

6 Analyse Originale

La recherche de Cintra et Holloway représente une avancée significative dans la gestion des risques en temps réel pour la finance décentralisée. Leur application de la Détection Bayésienne en Ligne des Points de Rupture aux scénarios de dépeg des stablecoins démontre comment des méthodes statistiques sophistiquées peuvent être adaptées aux marchés financiers de la blockchain. La méthodologie présente des similitudes avec les techniques de détection des points de rupture utilisées en finance traditionnelle, telles que celles décrites dans l'œuvre fondatrice d'Adams et MacKay (2007) sur la détection bayésienne en ligne des points de rupture, mais adaptée aux caractéristiques uniques des market makers automatisés.

Ce qui rend cette approche particulièrement innovante est sa capacité en temps réel et son faible taux de faux positifs. Contrairement aux systèmes de surveillance financière traditionnels qui pourraient s'appuyer sur des alertes plus simples basées sur des seuils, le cadre bayésien intègre une quantification de l'incertitude et une mise à jour séquentielle. Cela s'aligne avec les approches modernes d'apprentissage automatique dans la détection d'anomalies, similaires aux techniques utilisées en cybersécurité et en surveillance de réseau. La capacité du système à détecter le dépeg de l'USDC 5 heures à l'avance est remarquable, étant donné que la plupart des participants au marché ont été pris par surprise lors de l'effondrement de la Silicon Valley Bank.

La recherche s'appuie sur des principes établis issus à la fois de la statistique classique et de l'apprentissage automatique moderne. Le fondement mathématique s'inspire des méthodes d'inférence bayésienne similaires à celles utilisées dans la régression par processus gaussiens et le Monte Carlo séquentiel, comme référencé dans des ouvrages tels que "Pattern Recognition and Machine Learning" de Bishop (2006). Cependant, l'application à la fourniture de liquidité DeFi représente une contribution novatrice. La performance du système sur 13 pools différents pendant 17 mois avec un minimum de fausses alertes suggère des capacités de généralisation robustes.

Comparée à d'autres approches de gestion des risques DeFi, telles que les flux de prix basés sur des oracles utilisés dans les protocoles de prêt ou les mécanismes de disjoncteurs dans certaines bourses centralisées, cette méthodologie offre une approche plus proactive et nuancée. Elle ne se contente pas de réagir aux mouvements de prix mais identifie les changements structurels dans les modèles de comportement du marché. Cela pourrait potentiellement être intégré avec des systèmes d'ajustement dynamique des paramètres AMM, similaires aux travaux sur la liquidité programmable par Angeris et al. (2021) sur les oracles de prix améliorés, créant un cadre complet de gestion des risques pour les échanges décentralisés.

L'implémentation pratique en tant qu'API pour les fournisseurs de liquidité démontre l'applicabilité immédiate de la recherche. Cela comble le fossé entre la méthodologie académique et l'utilité pratique, répondant à un besoin critique dans l'écosystème DeFi en évolution rapide. Alors que les marchés des stablecoins continuent de croître et de faire face à un examen réglementaire, de tels systèmes de détection deviendront de plus en plus précieux pour les participants et les régulateurs.

7 Références

1. Adams, R.P., & MacKay, D.J.C. (2007). Bayesian Online Changepoint Detection. Université de 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.