Depegs Tespiti: Curve Finance'ta Daha Güvenli Pasif Likidite Sağlama

İçindekiler

1 Giriş

Bu araştırma, likidite sağlayıcılarının (LP'ler) potansiyel stablecoin ve likit staking türevi depeglerinden gerçek zamanlı olarak haberdar edilmesi için nicel metriklerin ve tespit algoritmalarının nasıl oluşturulabileceğine dair kanıt sunmaktadır. Çalışma, Curve Finance'un StableSwap havuzlarına odaklanmakta ve sofistike bir tespit sistemi geliştirmektedir.

1.1 Arka Plan

Stablecoin'ler ve likit stake türevleri, altta yatan dalgalı para birimlerine sabitlenmiş token'lardır. Stablecoin'ler genellikle ABD Doları'na sabitlenirken, likit stake türevleri ETH veya diğer ağ token'larına sabitlenir. Kuruluşlar geri ödeme mekanizmaları bulundurur, ancak trader'ların güveni sarsılırsa ikincil piyasalarda fiyatlar düşebilir - bu sürece depegging adı verilir.

2 Metodoloji

Curve Finance havuzlarındaki fiyat ve işlem verilerine dayalı olarak potansiyel varlık bağ kopmalarını tespit etmek için bir dizi metrik geliştirdik.

2.1 Depeg Tespiti Metrikleri

Tespit sistemi; fiyat sapması, işlem hacmi anormallikleri, likidite havuzu dengesizlikleri ve tarihsel oynaklık modellerini içeren çoklu metrikleri birleştirerek kapsamlı bir risk değerlendirme çerçevesi oluşturur.

2.2 Bayesian Online Changepoint Detection

Potansiyel depeg durumlarına karşı LP'leri uyarmak için Bayesian Online Changepoint Detection (BOCD) algoritmasını ince ayarlıyoruz. BOCD modeli, akış verilerini işler ve zaman serisi verilerindeki yapısal kırılmaları gerçek zamanlı olarak tespit eder.

3 Deneysel Sonuçlar

Değişim noktası tespit algoritması, 2022 ve 2023 boyunca 13 StableSwap havuzu için Curve LP token fiyatları üzerinde eğitilmiş ve test edilmiştir.

3.1 USDC Depeg Tespiti

2022 UST verileri üzerine eğitilen modelimiz, USDC'nin 99 sentin altına düşmesinden yaklaşık 5 saat önce, 10 Mart 2023 UTC 21:00'da USDC'nin depeg hareketini başarıyla tespit etti. Bu erken tespit, likidite sağlayıcılara önemli bir uyarı sağladı.

3.2 Performans Değerlendirmesi

Sistem, 17 aylık test süresi boyunca çok az yanlış alarm gösterdi ve UST, USDC ve stETH sabit kur kayıpları dahil olmak üzere birden fazla sabit kur kaybı olayında sağlam bir performans sergiledi.

4 Teknik Uygulama

4.1 Matematiksel Çerçeve

Bayesian Çevrimiçi Değişim Noktası Tespiti algoritması aşağıdaki matematiksel formülasyona dayanır:

$r_t$ çalışma uzunluğu, $t$ anındaki son değişim noktasından bu yana geçen süreyi temsil eder. Çalışma uzunluğunun olasılığı yinelemeli olarak güncellenir:

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

Burada $x_t^{(r)}$ son değişim noktasından bu yana verileri temsil eder ve tehlike fonksiyonu $H(r_t)$ bir değişim noktasının olasılığını belirler:

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

4.2 Kod Uygulaması

class BayesianChangepointDetector:

5 Gelecekteki Uygulamalar

Bu araştırma, olası depeglere karşı parametreler değiştirilerek Curve havuzlarının dinamik risk azaltımı için genişletilebilir. Gelecek uygulamalar şunları içerir:

• DeFi protokolleri için gerçek zamanlı risk yönetimi API'leri
• Risk sinyallerine dayalı dinamik havuz parametresi ayarlaması
• Çapraz protokol depeg tespit sistemleri
• Likidite sağlayıcılar için sigorta ürünleri
• Stablecoin çıkarıcılar için düzenleyici izleme araçları

6 Özgün Analiz

Cintra ve Holloway'ın araştırması, merkeziyetsiz finans için gerçek zamanlı risk yönetiminde önemli bir ilerlemeyi temsil etmektedir. Bayesian Online Changepoint Detection yönteminin stablecoin depeg senaryolarına uygulanması, sofistike istatistiksel yöntemlerin blok zinciri finansal pazarlarına nasıl uyarlandığını göstermektedir. Metodoloji, geleneksel finansmanda kullanılan değişim noktası tespit tekniklerine, örneğin Adams ve MacKay'in (2007) Bayesian online changepoint detection üzerine çığır açan çalışmasında tanımlandığı gibi, benzerlik taşımakta ancak otomatik piyasa yapıcıların benzersiz özelliklerine uyarlanmıştır.

Bu yaklaşımı özellikle yenilikçi kılan, gerçek zamanlı kapasitesi ve düşük yanlış pozitif oranıdır. Daha basit eşik tabanlı uyarılara dayanabilen geleneksel finansal gözetim sistemlerinin aksine, Bayesian çerçevesi belirsizlik nicelleştirmesini ve sıralı güncellemeyi içerir. Bu, siber güvenlik ve ağ izlemede kullanılan tekniklere benzer şekilde, anomali tespitindeki modern makine öğrenimi yaklaşımlarıyla uyumludur. USDC depeg olayını 5 saat önceden tespit edebilme kabiliyeti, Silicon Valley Bank çöküşü sırasında çoğu pazar katılımcısının sürprizle karşılaştığı göz önüne alındığında dikkat çekicidir.

Araştırma, hem klasik istatistiklerden hem de modern makine öğreniminden yerleşik ilkeller üzerine inşa edilmiştir. Matematik temeli, Bishop'ın (2006) "Pattern Recognition and Machine Learning" gibi eserlerde atıfta bulunulduğu üzere Gaussian process regression ve sequential Monte Carlo'da kullanılanlara benzer Bayesian inference yöntemlerinden yararlanır. Ancak DeFi liquidity provision'a uygulanması yeni bir katkıyı temsil eder. Sistemin 17 ay boyunca 13 farklı havuzda asgari yanlış alarmla gösterdiği performans, sağlam genelleme yeteneklerine işaret etmektedir.

Diğer DeFi risk yönetimi yaklaşımlarıyla (örneğin borç verme protokollerinde kullanılan oracle tabanlı fiyat beslemeleri veya bazı merkezi borsalardaki devre kesici mekanizmalar) karşılaştırıldığında, bu metodoloji daha proaktif ve nüanslı bir yaklaşım sunar. Sadece fiyat hareketlerine tepki vermekle kalmaz, aynı zamanda piyasa davranış kalıplarındaki yapısal değişiklikleri tespit eder. Bu, Angeris vd. (2021) tarafından geliştirilen fiyat oracle'ları üzerine programlanabilir likidite çalışmasına benzer şekilde, dinamik AMM parametre ayarlama sistemleriyle entegre edilerek merkeziyetsiz borsalar için kapsamlı bir risk yönetimi çerçevesi oluşturulabilir.

Likidite sağlayıcılar için bir API olarak pratik uygulaması, araştırmanın acil uygulanabilirliğini göstermektedir. Bu, akademik metodoloji ile gerçek dünya uygulaması arasındaki boşluğu kapatarak, hızla evrimleşen DeFi ekosistemindeki kritik bir ihtiyacı karşılamaktadır. Stablecoin piyasaları büyümeye devam ettikçe ve düzenleyici denetime maruz kaldıkça, bu tür tespit sistemleri hem katılımcılar hem de düzenleyiciler için giderek daha değerli hale gelecektir.

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., vd. (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 - Verimli Stablecoin Likidite Mekanizması. Curve Finance Whitepaper.
6. Goodfellow, I., et al. (2016). Deep Learning. MIT Press.