Mengesan Penyimpangan Nilai: Penyediaan Kecairan Pasif yang Lebih Selamat di Curve Finance

Kandungan

1 Pengenalan

Penyelidikan ini memberikan bukti tentang bagaimana metrik kuantitatif dan algoritma pengesanan boleh dibina untuk memaklumkan penyedia kecairan (LP) secara masa nyata tentang potensi penyimpangan nilai stablecoin dan derivatif staking cair. Kajian ini memfokuskan pada kolam StableSwap Curve Finance dan membangunkan sistem pengesanan yang canggih.

1.1 Latar Belakang

Stablecoin dan derivatif staking cair adalah token yang dipatok kepada mata wang terapung asas. Stablecoin umumnya dipatok kepada Dolar AS, manakala derivatif staking cair dipatok kepada ETH atau token rangkaian lain. Organisasi mengekalkan mekanisme penebusan, tetapi jika peniaga hilang kepercayaan, harga boleh menurun di pasaran sekunder - proses yang dipanggil penyimpangan nilai.

2 Metodologi

Kami membina satu set metrik yang direka untuk mengesan potensi penyimpangan nilai aset berdasarkan data harga dan perdagangan dari kolam Curve Finance.

2.1 Metrik Pengesanan Penyimpangan Nilai

Sistem pengesanan menggabungkan pelbagai metrik termasuk sisihan harga, anomali volum perdagangan, ketidakseimbangan kolam kecairan, dan corak turun naik sejarah. Metrik-metrik ini digabungkan untuk mencipta rangka kerja penilaian risiko yang komprehensif.

2.2 Pengesanan Titik Perubahan Bayesian Dalam Talian

Kami menala halus algoritma Pengesanan Titik Perubahan Bayesian Dalam Talian (BOCD) untuk memberi amaran kepada LP tentang potensi penyimpangan nilai. Model BOCD memproses data strim dan mengenal pasti pecahan struktur dalam data siri masa secara masa nyata.

3 Keputusan Eksperimen

Algoritma pengesanan titik perubahan telah dilatih dan diuji terhadap harga token LP Curve untuk 13 kolam StableSwap sepanjang 2022 dan 2023.

3.1 Pengesanan Penyimpangan Nilai USDC

Model kami, yang dilatih pada data UST 2022, berjaya mengesan penyimpangan nilai USDC pada Mac 2023 pada pukul 9 malam UTC pada 10 Mac, kira-kira 5 jam sebelum USDC jatuh di bawah 99 sen. Pengesanan awal ini memberikan amaran yang signifikan kepada penyedia kecairan.

3.2 Penilaian Prestasi

Sistem menunjukkan sedikit amaran palsu semasa tempoh ujian 17 bulan, menunjukkan prestasi yang teguh merentasi pelbagai peristiwa penyimpangan nilai termasuk UST, USDC, dan stETH.

4 Pelaksanaan Teknikal

4.1 Kerangka Matematik

Algoritma Pengesanan Titik Perubahan Bayesian Dalam Talian adalah berdasarkan rumusan matematik berikut:

Panjang larian $r_t$ pada masa $t$ mewakili masa sejak titik perubahan terakhir. Kebarangkalian panjang larian dikemas kini secara rekursif:

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

Di mana $x_t^{(r)}$ mewakili data sejak titik perubahan terakhir, dan fungsi bahaya $H(r_t)$ menentukan kebarangkalian titik perubahan:

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

4.2 Pelaksanaan Kod

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):
        # Langkah ramalan
        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)
        
        # Kebarangkalian titik perubahan
        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)
        
        # Langkah kemas kini
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # Kemas kini statistik mencukupi untuk panjang larian r
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # Normalisasi
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # Pulangkan kebarangkalian titik perubahan

5 Aplikasi Masa Depan

Penyelidikan ini boleh diperluaskan untuk menyahrisiko kolam Curve secara dinamik dengan mengubah suai parameter sebagai persediaan untuk potensi penyimpangan nilai. Aplikasi masa depan termasuk:

• API pengurusan risiko masa nyata untuk protokol DeFi
• Pelarasan parameter kolam dinamik berdasarkan isyarat risiko
• Sistem pengesanan penyimpangan nilai merentasi protokol
• Produk insurans untuk penyedia kecairan
• Alat pemantauan kawal selia untuk pengeluar stablecoin

6 Analisis Asal

Penyelidikan oleh Cintra dan Holloway mewakili kemajuan signifikan dalam pengurusan risiko masa nyata untuk kewangan terpencar. Aplikasi mereka Pengesanan Titik Perubahan Bayesian Dalam Talian kepada senario penyimpangan nilai stablecoin menunjukkan bagaimana kaedah statistik canggih boleh disesuaikan untuk pasaran kewangan blockchain. Metodologi ini mempunyai persamaan dengan teknik pengesanan titik perubahan yang digunakan dalam kewangan tradisional, seperti yang diterangkan dalam karya penting oleh Adams dan MacKay (2007) mengenai pengesanan titik perubahan Bayesian dalam talian, tetapi disesuaikan untuk ciri unik pembuat pasaran automatik.

Apa yang menjadikan pendekatan ini sangat inovatif adalah keupayaan masa nyata dan kadar positif palsu minimum. Tidak seperti sistem pengawasan kewangan tradisional yang mungkin bergantung pada amaran berasaskan ambangan yang lebih mudah, rangka kerja Bayesian menggabungkan pengkuantitian ketidakpastian dan kemas kini berurutan. Ini selaras dengan pendekatan pembelajaran mesin moden dalam pengesanan anomali, serupa dengan teknik yang digunakan dalam keselamatan siber dan pemantauan rangkaian. Keupayaan sistem untuk mengesan penyimpangan nilai USDC 5 jam lebih awal adalah luar biasa, memandangkan kebanyakan peserta pasaran terkejut semasa keruntuhan Silicon Valley Bank.

Penyelidikan ini dibina berdasarkan prinsip yang mantap dari kedua-dua statistik klasik dan pembelajaran mesin moden. Asas matematik diambil dari kaedah inferens Bayesian yang serupa dengan yang digunakan dalam regresi proses Gaussian dan Monte Carlo berurutan, seperti yang dirujuk dalam karya seperti "Pattern Recognition and Machine Learning" oleh Bishop (2006). Walau bagaimanapun, aplikasi kepada penyediaan kecairan DeFi mewakili sumbangan novel. Prestasi sistem merentasi 13 kolam berbeza selama 17 bulan dengan amaran palsu minimum mencadangkan keupayaan generalisasi yang teguh.

Berbanding dengan pendekatan pengurusan risiko DeFi lain, seperti suapan harga berasaskan oracle yang digunakan dalam protokol pinjaman atau mekanisme pemutus litar dalam beberapa pertukaran berpusat, metodologi ini menawarkan pendekatan yang lebih proaktif dan bernuansa. Ia bukan hanya bertindak balas kepada pergerakan harga tetapi mengenal pasti perubahan struktur dalam corak tingkah laku pasaran. Ini berpotensi disepadukan dengan sistem pelarasan parameter AMM dinamik, serupa dengan kerja mengenai kecairan boleh atur cara oleh Angeris et al. (2021) mengenai oracle harga yang diperbaiki, mencipta rangka kerja pengurusan risiko yang komprehensif untuk pertukaran terpencar.

Pelaksanaan praktikal sebagai API untuk penyedia kecairan menunjukkan kebolehgunaan segera penyelidikan. Ini merapatkan jurang antara metodologi akademik dan utiliti dunia sebenar, menangani keperluan kritikal dalam ekosistem DeFi yang berkembang pesat. Apabila pasaran stablecoin terus berkembang dan menghadapi pemeriksaan kawal selia, sistem pengesanan sedemikian akan menjadi semakin berharga untuk kedua-dua peserta dan pengawal selia.

7 Rujukan

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.