Detecção de Depegs: Fornecimento de Liquidez Passiva Mais Seguro na Curve Finance

Índice

1 Introdução

Esta pesquisa fornece evidências de como métricas quantitativas e algoritmos de detecção podem ser construídos para manter os provedores de liquidez (LPs) informados em tempo real sobre possíveis desvinculações de stablecoins e derivativos de staking líquido. O estudo concentra-se nas pools StableSwap da Curve Finance e desenvolve um sistema de detecção sofisticado.

1.1 Contexto

Stablecoins e derivados de staking líquido são tokens atrelados a moedas flutuantes subjacentes. As stablecoins geralmente são indexadas ao dólar americano, enquanto os derivados de staking líquido são vinculados a ETH ou outros tokens de rede. As organizações mantêm mecanismos de resgate, mas se os traders perderem a confiança, os preços podem cair nos mercados secundários - processo denominado desvinculação (depegging).

2 Metodologia

Desenvolvemos um conjunto de métricas concebidas para detetar potenciais desvinculações de ativos com base em dados de preços e negociação das pools da Curve Finance.

2.1 Métricas de Detecção de Desvinculação

O sistema de deteção incorpora múltiplas métricas, incluindo desvio de preço, anomalias de volume negociado, desequilíbrios de pools de liquidez e padrões de volatilidade histórica. Estas métricas são combinadas para criar uma estrutura abrangente de avaliação de risco.

2.2 Detecção Bayesiana Online de Mudanças

Ajustamos um algoritmo Bayesian Online Changepoint Detection (BOCD) para alertar LPs sobre possíveis desvinculações. O modelo BOCD processa dados em fluxo contínuo e identifica quebras estruturais em séries temporais em tempo real.

3 Resultados Experimentais

O algoritmo de detecção de pontos de mudança foi treinado e testado com os preços de tokens LP da Curve para 13 pools StableSwap ao longo de 2022 e 2023.

3.1 Detecção de Desvinculação do USDC

Nosso modelo, treinado com dados da UST de 2022, detectou com sucesso a desvinculação do USDC em março de 2023 às 21h UTC do dia 10 de março, aproximadamente 5 horas antes do USDC cair abaixo de 99 centavos. Esta detecção precoce forneceu um aviso significativo para os provedores de liquidez.

3.2 Avaliação de Desempenho

O sistema demonstrou poucos alarmes falsos durante o período de teste de 17 meses, mostrando desempenho robusto em múltiplos eventos de desvinculação, incluindo os casos de UST, USDC e stETH.

4 Implementação Técnica

4.1 Estrutura Matemática

O algoritmo de Detecção Bayesiana Online de Mudanças baseia-se na seguinte formulação matemática:

O comprimento da execução $r_t$ no tempo $t$ representa o tempo desde a última mudança. A probabilidade do comprimento da execução é atualizada recursivamente:

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

Onde $x_t^{(r)}$ representa os dados desde o último ponto de mudança, e a função de risco $H(r_t)$ determina a probabilidade de um ponto de mudança:

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

4.2 Implementação de Código

class BayesianChangepointDetector:

5 Aplicações Futuras

Esta pesquisa pode ser estendida para desriscar dinamicamente as pools da Curve modificando parâmetros em antecipação a possíveis desancoragens. As aplicações futuras incluem:

• APIs de gestão de risco em tempo real para protocolos DeFi
• Ajuste dinâmico de parâmetros da pool baseado em sinais de risco
• Sistemas de deteção de desvinculação entre protocolos
• Produtos de seguro para provedores de liquidez
• Ferramentas de monitoramento regulatório para emissores de stablecoins

6 Análises Originais

A pesquisa de Cintra e Holloway representa um avanço significativo na gestão de riscos em tempo real para finanças descentralizadas. Sua aplicação da Detecção Bayesiana Online de Pontos de Mudança em cenários de desvinculação de stablecoins demonstra como métodos estatísticos sofisticados podem ser adaptados para mercados financeiros de blockchain. A metodologia apresenta semelhanças com as técnicas de detecção de pontos de mudança usadas nas finanças tradicionais, como as descritas no trabalho seminal de Adams e MacKay (2007) sobre detecção bayesiana online de pontos de mudança, mas adaptada para as características únicas dos criadores de mercado automatizados.

O que torna essa abordagem particularmente inovadora é sua capacidade em tempo real e baixa taxa de falsos positivos. Diferente dos sistemas tradicionais de vigilância financeira que podem depender de alertas baseados em limites mais simples, o framework bayesiano incorpora quantificação de incerteza e atualização sequencial. Isso se alinha com as abordagens modernas de aprendizado de máquina na detecção de anomalias, semelhante às técnicas usadas em segurança cibernética e monitoramento de rede. A capacidade do sistema de detectar a desvinculação do USDC com 5 horas de antecedência é notável, considerando que a maioria dos participantes do mercado foi pega de surpresa durante o colapso do Silicon Valley Bank.

A investigação baseia-se em princípios estabelecidos tanto da estatística clássica como do machine learning moderno. A base matemática deriva de métodos de inferência bayesiana semelhantes aos utilizados em regressão de processos gaussianos e Monte Carlo sequencial, conforme referenciado em obras como "Pattern Recognition and Machine Learning" de Bishop (2006). Contudo, a aplicação à provisão de liquidez DeFi representa uma contribuição nova. O desempenho do sistema em 13 pools diferentes ao longo de 17 meses com alarmes falsos mínimos sugere capacidades robustas de generalização.

Em comparação com outras abordagens de gestão de risco no DeFi, como os feeds de preços baseados em oráculos usados em protocolos de empréstimo ou os mecanismos de disjuntor em algumas exchanges centralizadas, esta metodologia oferece uma abordagem mais proativa e matizada. Ela não apenas reage a movimentos de preços, mas identifica mudanças estruturais nos padrões de comportamento do mercado. Isto poderia potencialmente ser integrado com sistemas de ajuste dinâmico de parâmetros AMM, semelhante ao trabalho sobre liquidez programável de Angeris et al. (2021) sobre oráculos de preço aprimorados, criando uma estrutura abrangente de gestão de risco para exchanges descentralizadas.

A implementação prática como uma API para provedores de liquidez demonstra a aplicabilidade imediata da pesquisa. Isto preenche a lacuna entre a metodologia acadêmica e a utilidade do mundo real, atendendo a uma necessidade crítica no ecossistema DeFi em rápida evolução. À medida que os mercados de stablecoins continuam a crescer e enfrentam escrutínio regulatório, tais sistemas de detecção tornar-se-ão cada vez mais valiosos tanto para participantes quanto para reguladores.

7 Referências

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 - mecanismo eficiente para liquidez de Stablecoin. Curve Finance Whitepaper.
6. Goodfellow, I., et al. (2016). Deep Learning. MIT Press.