Kugundua Depegs: Ugavi wa Uwiano wa Fedha Salama Zaidi kwenye Curve Finance

Jedwali la Yaliyomo

Utangulizi

Utafiti huu unatoa uthibitisho wa jinsi viwango vya kipimo na algoriti za ugunduzi zinaweza kujengwa ili kuwawezesha watoa likiwudi (LPs) kufahamu kwa wakati halisi kuhusu uwezekano wa kutoridhishwa kwa thamani kwa sarafu za kudumu na vitotoa vya ununuzi wa hisa zenye uthibitisho wa kioevu. Utafiti huu unalenga mafuriko ya StableSwap ya Curve Finance na unaunda mfumo wa kisasa wa ugunduzi.

1.1 Usuli

Stablecoins na derivatives teu za dawa staking zenye umimko ni tokeni zilizounganishwa kwa sarafu zinazobadilika thamani. Kwa ujumla, stablecoins huunganishwa kwa Dola ya Marekani, huku derivatives teu za dawa staking zenye umimko zikiunganishwa kwa ETH au tokeni zingine za mtandao. Mashirika huhifadhi mifumo ya rejesho, lakini ikiwa wafanyabiashara watalipoteza imani, bei zinaweza kushuka katika soko la pili - mchakato unaojulikana kama depegging.

2 Methodology

Tunatengeneza seti ya vipimo iliyoundwa kugundua uwezekano wa kuteremka kwa thamani ya mali kulingana na data ya bei na biashara kutoka kwa mabwawa ya Fedha ya Curve.

2.1 Depeg Detection Metrics

Mfumo wa kugundua unajumuisha vipimo mbalimbali ikiwa ni pamoja na kupotoka kwa bei, ukiukaji wa kiasi cha biashara, kutopatana kwa mabwawa ya uwezo, na muundo wa mienendo ya mabadiliko ya bei ya kihistoria. Vipimo hivi vinaunganishwa ili kuunda mfumo wa tathmini ya hatari.

2.2 Bayesian Online Changepoint Detection

Tunarekebisha algoriti ya Bayesian Online Changepoint Detection (BOCD) ili kuwaonya LPs kuhusu uwezekano wa depegs. Modeli ya BOCD inachakata data ya mkondo na kutambua uvunjaji wa muundo katika data ya mfululizo wa wakati kwa hakika.

3 Experimental Results

Kigezo cha kugundua mabadiliko kili funzwa na kupimwa kwa kutumia bei za Curve LP token kwa mabwawa 13 ya StableSwap katika kipindi cha mwaka 2022 na 2023.

3.1 USDC Depeg Detection

Modeli yetu, uliofunzwa kwa kutumia data ya UST ya 2022, uligundua kwa mafanikio kutokuwa thabiti kwa thamani ya USDC mnamo Machi 2023 saa 3 usiku UTC, Machi 10, takriban masaa 5 kabla ya thamani ya USDC kushuka chini ya senti 99. Ugunduzi huu wa mapema ulitoa onyo muhimu kwa watoa uwiano.

3.2 Performance Evaluation

Mfumo ulionyesha maonyo machache ya uwongo katika kipindi cha majaribio cha miezi 17, ukionyesha utendakazi imara katika matukio mbalimbali ya kuteremka kwa thamani ikiwemo UST, USDC, na stETH.

4 Utekelezaji wa Kiufundi

4.1 Mfumo wa Kihisabati

Kigenzi cha Bayesian Online Changepoint Detection kinatokana na muundo ufuatao wa kihisabati:

Urefu wa mwendo $r_t$ kwa wakati $t$ unawakilisha muda uliopita tangu mabadiliko ya mwisho. Uwezekano wa urefu wa mwendo husasishwa kwa kujirudia:

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

Ambapo $x_t^{(r)}$ inawakilisha data tangu mabadiliko ya mwisho, na kitendakazi cha hatari $H(r_t)$ huamua uwezekano wa mabadiliko:

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

4.2 Utekelezaji wa Msimbo

class BayesianChangepointDetector:

5 Matumizi ya Baadaye

Utafiti huu unaweza kupanuliwa ili kupunguza hatari kwa nguvu katika mabwawa ya Curve kwa kurekebisha vigezo kwa kutarajia kutokuwa thabiti kwa uwezekano. Matumizi ya baadaye ni pamoja na:

• API za usimamizi wa hatari kwa wakati halisi kwa itifaki za DeFi
• Usawazishaji wa vigezo vya dimbwi lenye mageuzi kulingana na ishara za hatari
• Mifumo ya kugundua tofauti za bei kati ya itifaki mbalimbali
• Bidhaa za bima kwa watoa uwiano wa kiasi
• Vyombo vya udhibiti wa kisheria kwa watozaji sarafu thabiti

Uchambuzi 6 wa Asili

Utafiti wa Cintra na Holloway unawakilisha maendeleo makubwa katika usimamizi wa hatari kwa wakati halisi wa fedha zisizo na mfumo wa kati. Utumizi wao wa Ugunduzi wa Mabadiliko ya Mtandaoni wa Bayesian katika hali za kutorudisha thamani ya sarafu imara unaonyesha jinsi njia za kisasa za takwimu zinaweza kubadilishwa ili zifae kwa masoko ya kifedha ya blockchain. Mbinu hiyo inafanana na mbinu za ugunduzi wa mabadiliko zinazotumiwa katika fedha za kitamaduni, kama zile zilizoelezewa katika kazi muhimu ya Adams na MacKay (2007) kuhusu ugunduzi wa mabadiliko ya mtandaoni wa Bayesian, lakini imebadilishwa ili kufaa sifa za kipekee za wakala wa soko lililowekwa kiotomatiki.

Kinachofanya mbinu hii kuwa ya ubunifu zaidi ni uwezo wake wa kufanya kazi kwa wakati halisi na kiwango cha chini cha makosa ya uongo. Tofauti na mifumo ya ufuatiliaji wa kifedha ya kitamaduni ambayo inaweza kutegemea arifu rahisi za kizingiti, mfumo wa Bayesian unajumuisha uhakiki wa kutokuwa na uhakika na usasishaji wa mlolongo. Hii inalingana na mbinu za kisasa za mashine ya kujifunza katika ugunduzi wa ukiukaji, sawa na mbinu zinazotumiwa katika usalama wa mtandao na ufuatiliaji wa mtandao. Uwezo wa mfumo huo wa kugundua kutorudisha thamani kwa USDC masaa 5 mapema ni wa kushangaza, ukizingatia kuwa washiriki wengi wa soko walishangaa wakati wa kuanguka kwa Benki ya Silicon Valley.

Utafiti huu unajenga juu ya kanuni zilizowekwa kutoka kwa takwimu za kawaida na mashine za kisasa za kujifunza. Msingi wa hisabati unatokana na mbinu za makisio za Bayesian zinazofanana na zile zinazotumika katika urejeshaji wa mchakato wa Gaussian na Monte Carlo wa mpangilio, kama ilivyorejelewa katika kazi kama "Pattern Recognition and Machine Learning" na Bishop (2006). Hata hivyo, utumizi wake katika utoaji wa uwezo wa kuidhinisha wa DeFi unawakilisha mchango mpya. Uwezo wa mfumu huu katika kufanya kazi katika mabwawa 13 tofauti kwa muda wa miezi 17 na arifa ndogo za uwongo unaonyesha uwezo imara wa ujumlishaji.

Ikilinganisha na mbinu zingine za usimamizi wa hatari za DeFi, kama vile usambazaji wa bei unaotumia oracle katika itifaki za mikopo au utaratibu wa kuvunja saketi katika baadhi ya vinyago vilivyokusanyika, mbinu hii inatoa mbinu ya kina na ya makini zaidi. Haitakiwi tu kukabiliana na mienendo ya bei lakini pia hutambua mabadiliko ya kimuundo katika mifumo ya tabia ya soko. Hii inaweza kuunganishwa na mifumo ya marekebisho ya vigezo vya AMM vinavyobadilika, sawa na kazi ya Angeris et al. (2021) juu ya uhaba unaoweza kuandikwa programu kuhusu oracles bora za bei, na hivyo kuunda mfumo wa usimamizi wa hatari kwa vinyago visivyokusanyika.

Utumiaji wa vitendo kama API kwa watoa uhaba unaonyesha matumizi ya haraka ya utafiti huu. Hii inajaza pengo kati ya mbinu ya kitaaluma na matumizi ya ulimwengu halisi, na kushughulikia hitaji muhimu katika mfumo wa DeFi unaoendelea kukua kwa kasi. Kadri masoko ya sarafu thabiti yanaendelea kupanua na kukabiliwa na ukaguzi wa kisheria, mifumo kama hii ya kugundua itakuwa ya thamani zaidi kwa washiriki na wadhibiti.

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 - utaratibu bora wa uhaba wa sarafu thabiti. Waraka wa Curve Finance.
6. Goodfellow, I., et al. (2016). Ujifunzaji wa kina. MIT Press.