डिटेक्टिंग डिपेग्स: कर्व फाइनेंस पर सुरक्षित निष्क्रिय लिक्विडिटी प्रोविजन

विषय सूची

1 परिचय

यह शोध quantitative metrics और detection algorithms के निर्माण के लिए साक्ष्य प्रदान करता है जिससे liquidity providers (LPs) को संभावित stablecoin और liquid staking derivative depegs के बारे में वास्तविक समय में सूचित रखा जा सके। यह अध्ययन Curve Finance के StableSwap pools पर केंद्रित है और एक परिष्कृत detection system विकसित करता है।

1.1 पृष्ठभूमि

स्टेबलकॉइन और लिक्विड स्टेकिंग डेरिवेटिव्स अंतर्निहित अस्थिर मुद्राओं से जुड़े टोकन हैं। स्टेबलकॉइन आमतौर पर अमेरिकी डॉलर से जुड़े होते हैं, जबकि लिक्विड स्टेकिंग डेरिवेटिव ETH या अन्य नेटवर्क टोकन से जुड़े होते हैं। संगठन रिडेम्पशन तंत्र बनाए रखते हैं, लेकिन यदि व्यापारियों का विश्वास डगमगाता है, तो द्वितीयक बाजारों में कीमतें गिर सकती हैं - इस प्रक्रिया को डिपेगिंग कहा जाता है।

2 पद्धति

हम Curve Finance पूल्स से प्राप्त मूल्य और व्यापार डेटा के आधार पर संभावित एसेट डिपेग का पता लगाने के लिए मेट्रिक्स का एक सेट तैयार करते हैं।

2.1 डिपेग पहचान मेट्रिक्स

यह डिटेक्शन सिस्टम मूल्य विचलन, व्यापार मात्रा में असामान्यताएं, लिक्विडिटी पूल असंतुलन और ऐतिहासिक अस्थिरता पैटर्न सहित कई मेट्रिक्स को शामिल करता है। इन मेट्रिक्स को संयोजित करके एक व्यापक जोखिम मूल्यांकन ढांचा तैयार किया जाता है।

2.2 बायेसियन ऑनलाइन परिवर्तन-बिंदु संसूचन

हमने संभावित डिपेग की चेतावनी देने के लिए LPs को सचेत करने हेतु Bayesian Online Changepoint Detection (BOCD) एल्गोरिदम को फाइन-ट्यून किया है। BOCD मॉडल स्ट्रीमिंग डेटा को प्रोसेस करता है और टाइम सीरीज़ डेटा में संरचनात्मक विरामों की वास्तविक समय में पहचान करता है।

3 प्रायोगिक परिणाम

परिवर्तन-बिंदु पहचान एल्गोरिदम को 2022 और 2023 में 13 स्टेबलस्वैप पूलों के लिए कर्व एलपी टोकन की कीमतों के विरुद्ध प्रशिक्षित और परीक्षण किया गया था।

3.1 USDC Depeg Detection

2022 की UST डेटा पर प्रशिक्षित हमारे मॉडल ने 10 मार्च को UTC के अनुसार रात 9 बजे मार्च 2023 में USDC डिपेग का सफलतापूर्वक पता लगाया, जो USDC के 99 सेंट से नीचे आने से लगभग 5 घंटे पहले था। इस समय से पहले की पहचान ने लिक्विडिटी प्रदाताओं को महत्वपूर्ण चेतावनी प्रदान की।

3.2 Performance Evaluation

17-महीने के परीक्षण अवधि के दौरान सिस्टम ने कम झूठी अलार्म दिखाए, UST, USDC और stETH डिपेग सहित कई डिपेग घटनाओं में मजबूत प्रदर्शन प्रदर्शित किया।

4 तकनीकी कार्यान्वयन

4.1 गणितीय ढांचा

बेयसियन ऑनलाइन परिवर्तन बिंदु पहचान एल्गोरिदम निम्नलिखित गणितीय सूत्रीकरण पर आधारित है:

समय $t$ पर रन लंबाई $r_t$ अंतिम परिवर्तन बिंदु के बाद से समय का प्रतिनिधित्व करती है। रन लंबाई की संभावना को पुनरावर्ती रूप से अद्यतन किया जाता है:

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

जहां $x_t^{(r)}$ अंतिम परिवर्तन-बिंदु के बाद के डेटा को दर्शाता है, और हेज़र्ड फ़ंक्शन $H(r_t)$ परिवर्तन-बिंदु की संभावना निर्धारित करता है:

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

4.2 कोड कार्यान्वयन

class BayesianChangepointDetector:

5 भविष्य के अनुप्रयोग

यह शोध संभावित डिपेग की आशंका में पैरामीटर को संशोधित करके Curve पूलों को गतिशील रूप से जोखिम-मुक्त करने के लिए विस्तारित किया जा सकता है। भविष्य के अनुप्रयोगों में शामिल हैं:

• DeFi प्रोटोकॉल के लिए रियल-टाइम जोखिम प्रबंधन API
• जोखिम संकेतों पर आधारित डायनेमिक पूल पैरामीटर समायोजन
• क्रॉस-प्रोटोकॉल डिपेग पहचान प्रणाली
• Liquidity providers के लिए बीमा उत्पाद
• Stablecoin issuers के लिए नियामक निगरानी उपकरण

6 मूल विश्लेषण

Cintra और Holloway द्वारा किया गया शोध विकेंद्रीकृत वित्त के लिए रीयल-टाइम जोखिम प्रबंधन में एक महत्वपूर्ण प्रगति का प्रतिनिधित्व करता है। स्टेबलकॉइन डिपेग परिदृश्यों में उनके बायेसियन ऑनलाइन चेंजपॉइंट डिटेक्शन के अनुप्रयोग से पता चलता है कि ब्लॉकचेन वित्तीय बाजारों के लिए परिष्कृत सांख्यिकीय विधियों को कैसे अनुकूलित किया जा सकता है। यह पद्धति पारंपरिक वित्त में उपयोग की जाने वाली चेंज पॉइंट डिटेक्शन तकनीकों के समान है, जैसे कि एडम्स और मैकके (2007) के बायेसियन ऑनलाइन चेंजपॉइंट डिटेक्शन पर seminal work में वर्णित है, लेकिन इसे ऑटोमेटेड मार्केट मेकर्स की विशिष्ट विशेषताओं के लिए अनुकूलित किया गया है।

इस दृष्टिकोण को विशेष रूप से अभिनव बनाने वाली बात है इसकी रीयल-टाइम क्षमता और न्यूनतम फॉल्स पॉजिटिव दर। पारंपरिक वित्तीय निगरानी प्रणालियों के विपरीत, जो सरल थ्रेशोल्ड-आधारित अलर्ट पर निर्भर हो सकती हैं, बायेसियन फ्रेमवर्क अनिश्चितता मात्रात्मकीकरण और अनुक्रमिक अद्यतन को शामिल करता है। यह एनोमली डिटेक्शन में आधुनिक मशीन लर्निंग दृष्टिकोणों के साथ संरेखित होता है, जो साइबर सुरक्षा और नेटवर्क निगरानी में उपयोग की जाने वाली तकनीकों के समान है। सिलिकॉन वैली बैंक पतन के दौरान जब अधिकांश बाजार सहभागी हैरान रह गए थे, उस समय USDC डिपेग का 5 घंटे पहले पता लगाने की इस प्रणाली की क्षमता उल्लेखनीय है।

यह शोध शास्त्रीय सांख्यिकी और आधुनिक मशीन लर्निंग दोनों के स्थापित सिद्धांतों पर आधारित है। गणितीय आधार बायेसियन अनुमान विधियों से लिया गया है, जो गॉसियन प्रक्रिया रिग्रेशन और अनुक्रमिक मोंटे कार्लो में उपयोग की जाने वाली विधियों के समान हैं, जैसा कि बिशप (2006) द्वारा "पैटर्न रिकग्निशन एंड मशीन लर्निंग" जैसे कार्यों में संदर्भित है। हालांकि, DeFi लिक्विडिटी प्रोविजन के लिए इसका अनुप्रयोग एक नवीन योगदान का प्रतिनिधित्व करता है। 17 महीनों में 13 विभिन्न पूलों में न्यूनतम फॉल्स अलार्म के साथ प्रणाली का प्रदर्शन मजबूत सामान्यीकरण क्षमताओं का सुझाव देता है।

अन्य DeFi जोखिम प्रबंधन दृष्टिकोणों की तुलना में, जैसे कि ऋण प्रोटोकॉल में उपयोग किए जाने वाले ओरेकल-आधारित मूल्य फ़ीड या कुछ केंद्रीकृत एक्सचेंजों में सर्किट ब्रेकर तंत्र, यह पद्धति एक अधिक सक्रिय और सूक्ष्म दृष्टिकोण प्रदान करती है। यह केवल मूल्य परिवर्तनों पर प्रतिक्रिया नहीं करती बल्कि बाजार व्यवहार पैटर्न में संरचनात्मक परिवर्तनों की पहचान करती है। इसे गतिशील AMM पैरामीटर समायोजन प्रणालियों के साथ एकीकृत किया जा सकता है, जो Angeris et al. (2021) द्वारा प्रोग्रामेबल लिक्विडिटी पर सुधारित प्राइस ओरेकल्स के कार्य के समान है, जिससे विकेंद्रीकृत एक्सचेंजों के लिए एक व्यापक जोखिम प्रबंधन ढांचा तैयार होता है।

लिक्विडिटी प्रदाताओं के लिए एक API के रूप में इसके व्यावहारिक कार्यान्वयन से शोध की तात्कालिक प्रयोज्यता प्रदर्शित होती है। यह अकादमिक पद्धति और वास्तविक दुनिया की उपयोगिता के बीच की खाई को पाटता है, जो तेजी से विकसित हो रहे DeFi पारिस्थितिकी तंत्र में एक महत्वपूर्ण आवश्यकता को संबोधित करता है। जैसे-जैसे स्टेबलकॉइन बाजारों का विस्तार जारी है और नियामक जांच का सामना कर रहे हैं, ऐसी पहचान प्रणालियाँ प्रतिभागियों और नियामकों दोनों के लिए तेजी से मूल्यवान होती जाएंगी।

7 References

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 - स्टेबलकॉइन लिक्विडिटी के लिए कुशल मैकेनिज्म। Curve Finance Whitepaper।
6. Goodfellow, I., et al. (2016). Deep Learning. MIT Press।