Rilevamento Depeg: Fornitura di Liquidità Passiva Più Sicura su Curve Finance

Indice dei Contenuti

1 Introduzione

Questa ricerca fornisce evidenza su come metriche quantitative e algoritmi di rilevamento possano essere costruiti per mantenere i fornitori di liquidità (LP) informati in tempo reale su potenziali stablecoin e depeg di derivati liquidi di staking. Lo studio si concentra sui pool StableSwap di Curve Finance e sviluppa un sistema di rilevamento sofisticato.

1.1 Contesto

Le stablecoin e i derivati liquidi di staking sono token ancorati a valute fluttuanti sottostanti. Le stablecoin sono generalmente ancorate al Dollaro USA, mentre i derivati liquidi di staking sono ancorati a ETH o altri token di rete. Le organizzazioni mantengono meccanismi di rimborso, ma se i trader perdono fiducia, i prezzi possono diminuire nei mercati secondari - un processo chiamato depegging.

2 Metodologia

Costruiamo una serie di metriche progettate per rilevare potenziali depeg di asset basandosi sui dati di prezzo e di trading dai pool di Curve Finance.

2.1 Metriche di Rilevamento Depeg

Il sistema di rilevamento incorpora metriche multiple inclusa la deviazione del prezzo, anomalie del volume di trading, squilibri del pool di liquidità e pattern di volatilità storici. Queste metriche sono combinate per creare una struttura completa di valutazione del rischio.

2.2 Rilevamento Bayesiano Online dei Punti di Cambiamento

Ottimizziamo un algoritmo di Rilevamento Bayesiano Online dei Punti di Cambiamento (BOCD) per avvisare gli LP di potenziali depeg. Il modello BOCD elabora dati in streaming e identifica rotture strutturali nei dati delle serie temporali in tempo reale.

3 Risultati Sperimentali

L'algoritmo di rilevamento dei punti di cambiamento è stato addestrato e testato sui prezzi dei token LP di Curve per 13 pool StableSwap durante il 2022 e il 2023.

3.1 Rilevamento Depeg USDC

Il nostro modello, addestrato sui dati UST del 2022, ha rilevato con successo il depeg USDC nel marzo 2023 alle 21:00 UTC del 10 marzo, circa 5 ore prima che l'USDC scendesse sotto i 99 centesimi. Questa rilevazione anticipata ha fornito un avviso significativo ai fornitori di liquidità.

3.2 Valutazione delle Prestazioni

Il sistema ha dimostrato pochi allarmi falsi durante il periodo di test di 17 mesi, mostrando prestazioni robuste attraverso molteplici eventi di depeg inclusi UST, USDC e stETH depeg.

4 Implementazione Tecnica

4.1 Struttura Matematica

L'algoritmo di Rilevamento Bayesiano Online dei Punti di Cambiamento si basa sulla seguente formulazione matematica:

La lunghezza della sequenza $r_t$ al tempo $t$ rappresenta il tempo trascorso dall'ultimo punto di cambiamento. La probabilità della lunghezza della sequenza viene aggiornata ricorsivamente:

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

Dove $x_t^{(r)}$ rappresenta i dati dall'ultimo punto di cambiamento, e la funzione di rischio $H(r_t)$ determina la probabilità di un punto di cambiamento:

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

4.2 Implementazione del Codice

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):
        # Passo di predizione
        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)
        
        # Probabilità punto di cambiamento
        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)
        
        # Passo di aggiornamento
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # Aggiorna statistiche sufficienti per lunghezza sequenza r
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # Normalizza
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # Restituisce probabilità punto di cambiamento

5 Applicazioni Future

Questa ricerca può essere estesa per de-rischiare dinamicamente i pool di Curve modificando i parametri in anticipazione di potenziali depeg. Applicazioni future includono:

• API di gestione del rischio in tempo reale per protocolli DeFi
• Regolazione dinamica dei parametri del pool basata su segnali di rischio
• Sistemi di rilevamento depeg cross-protocollo
• Prodotti assicurativi per fornitori di liquidità
• Strumenti di monitoraggio normativo per emittenti di stablecoin

6 Analisi Originale

La ricerca di Cintra e Holloway rappresenta un avanzamento significativo nella gestione del rischio in tempo reale per la finanza decentralizzata. La loro applicazione del Rilevamento Bayesiano Online dei Punti di Cambiamento a scenari di depeg di stablecoin dimostra come metodi statistici sofisticati possano essere adattati per i mercati finanziari blockchain. La metodologia ha somiglianze con le tecniche di rilevamento dei punti di cambiamento utilizzate nella finanza tradizionale, come quelle descritte nel lavoro seminale di Adams e MacKay (2007) sul rilevamento bayesiano online dei punti di cambiamento, ma adattate per le caratteristiche uniche dei market maker automatizzati.

Ciò che rende questo approccio particolarmente innovativo è la sua capacità in tempo reale e il tasso minimo di falsi positivi. A differenza dei sistemi di sorveglianza finanziaria tradizionali che potrebbero basarsi su avvisi più semplici basati su soglie, la struttura bayesiana incorpora la quantificazione dell'incertezza e l'aggiornamento sequenziale. Questo si allinea con gli approcci moderni di machine learning nel rilevamento di anomalie, simili alle tecniche utilizzate nella cybersecurity e nel monitoraggio di rete. La capacità del sistema di rilevare il depeg USDC con 5 ore di anticipo è notevole, considerando che la maggior parte dei partecipanti al mercato sono stati colti di sorpresa durante il collasso di Silicon Valley Bank.

La ricerca si basa su principi consolidati sia dalla statistica classica che dal moderno machine learning. Le fondamenta matematiche traggono origine da metodi di inferenza bayesiana simili a quelli utilizzati nella regressione di processo gaussiano e nel Monte Carlo sequenziale, come referenziato in lavori come "Pattern Recognition and Machine Learning" di Bishop (2006). Tuttavia, l'applicazione alla fornitura di liquidità DeFi rappresenta un contributo nuovo. Le prestazioni del sistema attraverso 13 pool diversi per 17 mesi con allarmi falsi minimi suggerisce capacità di generalizzazione robuste.

Rispetto ad altri approcci di gestione del rischio DeFi, come i feed di prezzo basati su oracle utilizzati nei protocolli di prestito o i meccanismi di interruzione di circuito in alcuni exchange centralizzati, questa metodologia offre un approccio più proattivo e sfumato. Non reagisce solo ai movimenti di prezzo ma identifica cambiamenti strutturali nei pattern di comportamento del mercato. Questo potrebbe potenzialmente essere integrato con sistemi di regolazione dinamica dei parametri AMM, simile al lavoro sulla liquidità programmabile di Angeris et al. (2021) sugli oracle di prezzo migliorati, creando una struttura completa di gestione del rischio per exchange decentralizzati.

L'implementazione pratica come API per i fornitori di liquidità dimostra l'applicabilità immediata della ricerca. Questo colma il divario tra metodologia accademica e utilità nel mondo reale, affrontando un bisogno critico nel rapidamente evolutivo ecosistema DeFi. Mentre i mercati delle stablecoin continuano a crescere e affrontare lo scrutinio normativo, tali sistemi di rilevamento diventeranno sempre più preziosi sia per i partecipanti che per i regolatori.

7 Riferimenti

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.