Обнаружение отвязки стейблкоинов: Безопасное пассивное предоставление ликвидности на Curve Finance

Содержание

1 Введение

Данное исследование демонстрирует, как количественные метрики и алгоритмы обнаружения могут быть построены для информирования поставщиков ликвидности (LP) в реальном времени о потенциальных отвязках стейблкоинов и ликвидных стейкинг-деривативов. Исследование фокусируется на пулах StableSwap Curve Finance и разрабатывает сложную систему обнаружения.

1.1 Предпосылки

Стейблкоины и ликвидные стейкинг-деривативы — это токены, привязанные к базовым плавающим валютам. Стейблкоины обычно привязаны к доллару США, в то время как ликвидные стейкинг-деривативы привязаны к ETH или другим сетевым токенам. Организации поддерживают механизмы погашения, но если трейдеры теряют доверие, цены могут снижаться на вторичных рынках — этот процесс называется отвязкой.

2 Методология

Мы создаем набор метрик, предназначенных для обнаружения потенциальных отвязок активов на основе данных о ценах и торговле из пулов Curve Finance.

2.1 Метрики обнаружения отвязки

Система обнаружения включает несколько метрик, включая отклонение цены, аномалии объема торгов, дисбалансы пулов ликвидности и исторические паттерны волатильности. Эти метрики объединяются для создания комплексной системы оценки рисков.

2.2 Байесовское онлайн-обнаружение точек изменения

Мы настраиваем алгоритм Байесовского онлайн-обнаружения точек изменения (BOCD) для оповещения LP о потенциальных отвязках. Модель BOCD обрабатывает потоковые данные и идентифицирует структурные разрывы в данных временных рядов в реальном времени.

3 Экспериментальные результаты

Алгоритм обнаружения точек изменения был обучен и протестирован на ценах LP-токенов Curve для 13 пулов StableSwap в течение 2022 и 2023 годов.

3.1 Обнаружение отвязки USDC

Наша модель, обученная на данных UST за 2022 год, успешно обнаружила отвязку USDC в марте 2023 года в 21:00 UTC 10 марта, примерно за 5 часов до того, как USDC опустился ниже 99 центов. Это раннее обнаружение предоставило поставщикам ликвидности значительное предупреждение.

3.2 Оценка производительности

Система продемонстрировала мало ложных срабатываний в течение 17-месячного периода тестирования, показав надежную работу при множественных событиях отвязки, включая отвязки UST, USDC и stETH.

4 Техническая реализация

4.1 Математическая основа

Алгоритм Байесовского онлайн-обнаружения точек изменения основан на следующей математической формулировке:

Длина серии $r_t$ в момент времени $t$ представляет время, прошедшее с последней точки изменения. Вероятность длины серии обновляется рекурсивно:

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

Где $x_t^{(r)}$ представляет данные с момента последней точки изменения, а функция риска $H(r_t)$ определяет вероятность точки изменения:

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

4.2 Реализация кода

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):
        # Шаг предсказания
        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)
        
        # Вероятность точки изменения
        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)
        
        # Шаг обновления
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # Обновление достаточных статистик для длины серии r
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # Нормализация
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # Возврат вероятности точки изменения

5 Будущие применения

Это исследование может быть расширено для динамического снижения рисков пулов Curve путем изменения параметров в ожидании потенциальных отвязок. Будущие применения включают:

• API управления рисками в реальном времени для DeFi-протоколов
• Динамическая настройка параметров пула на основе сигналов риска
• Меж-протокольные системы обнаружения отвязки
• Страховые продукты для поставщиков ликвидности
• Инструменты регуляторного мониторинга для эмитентов стейблкоинов

6 Оригинальный анализ

Исследование Синтры и Холлоуэя представляет значительный прогресс в управлении рисками в реальном времени для децентрализованных финансов. Их применение Байесовского онлайн-обнаружения точек изменения к сценариям отвязки стейблкоинов демонстрирует, как сложные статистические методы могут быть адаптированы для блокчейн-финансовых рынков. Методология имеет сходство с техниками обнаружения точек изменения, используемыми в традиционных финансах, такими как описанные в основополагающей работе Адамса и Маккея (2007) по байесовскому онлайн-обнаружению точек изменения, но адаптирована для уникальных характеристик автоматических маркет-мейкеров.

Что делает этот подход особенно инновационным, так это его способность работать в реальном времени и минимальный уровень ложных срабатываний. В отличие от традиционных систем финансового наблюдения, которые могут полагаться на более простые оповещения на основе пороговых значений, байесовская структура включает количественную оценку неопределенности и последовательное обновление. Это согласуется с современными подходами машинного обучения в обнаружении аномалий, аналогичными техникам, используемым в кибербезопасности и сетевом мониторинге. Способность системы обнаружить отвязку USDC за 5 часов вперед примечательна, учитывая, что большинство участников рынка были застигнуты врасплох во время краха Silicon Valley Bank.

Исследование основывается на установленных принципах как классической статистики, так и современного машинного обучения. Математическая основа черпает из методов байесовского вывода, аналогичных используемым в гауссовской процессной регрессии и последовательном методе Монте-Карло, как указано в работах типа «Распознавание образов и машинное обучение» Бишопа (2006). Однако применение к предоставлению ликвидности в DeFi представляет собой новое вложение. Производительность системы в 13 различных пулах в течение 17 месяцев с минимальным количеством ложных срабатываний предполагает надежные возможности обобщения.

По сравнению с другими подходами к управлению рисками в DeFi, такими как оракульные ценовые фиды, используемые в кредитных протоколах, или механизмы аварийного отключения на некоторых централизованных биржах, эта методология предлагает более проактивный и нюансированный подход. Она не просто реагирует на движения цен, но идентифицирует структурные изменения в паттернах рыночного поведения. Это потенциально может быть интегрировано с системами динамической настройки параметров AMM, аналогичными работе над программируемой ликвидностью Ангериса и др. (2021) по улучшенным ценовым оракулам, создавая комплексную систему управления рисками для децентрализованных бирж.

Практическая реализация в виде API для поставщиков ликвидности демонстрирует непосредственную применимость исследования. Это преодолевает разрыв между академической методологией и реальной полезностью, удовлетворяя критическую потребность в быстро развивающейся экосистеме DeFi. Поскольку рынки стейблкоинов продолжают расти и сталкиваться с регуляторным контролем, такие системы обнаружения станут все более ценными как для участников, так и для регуляторов.

7 Ссылки

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.