偵測脫鈎：Curve Finance上更安全嘅被動流動性提供

目錄

1 簡介

呢項研究證明咗點樣構建量化指標同檢測算法，令流動性提供者可以實時掌握穩定幣同流動性質押衍生品潛在脫鈎情況。研究集中喺Curve Finance嘅StableSwap資金池，並開發咗一套精密嘅檢測系統。

1.1 背景

穩定幣同流動性質押衍生品係同底層浮動貨幣掛鈎嘅代幣。穩定幣通常同美元掛鈎，而流動性質押衍生品就同ETH或其他網絡代幣掛鈎。機構會維持贖回機制，但如果交易者失去信心，價格就會喺二手市場下跌——呢個過程就叫做脫鈎。

2 方法論

我哋構建咗一套指標，用嚟根據Curve Finance資金池嘅價格同交易數據偵測潛在資產脫鈎。

2.1 脫鈎檢測指標

檢測系統包含多個指標，包括價格偏差、交易量異常、流動性資金池失衡同歷史波動模式。呢啲指標結合埋一齊，創建咗一個全面嘅風險評估框架。

2.2 貝葉斯在線變點檢測

我哋微調咗貝葉斯在線變點檢測算法，用嚟提醒流動性提供者潛在脫鈎風險。BOCD模型處理流數據，並實時識別時間序列數據中嘅結構性斷點。

3 實驗結果

變點檢測算法針對13個StableSwap資金池嘅Curve LP代幣價格，喺2022同2023年期間進行咗訓練同測試。

3.1 USDC脫鈎檢測

我哋基於2022年UST數據訓練嘅模型，成功喺2023年3月10日UTC晚上9點偵測到USDC脫鈎，大約早咗5個鐘頭喺USDC跌穿99美仙之前。呢個早期偵測為流動性提供者提供咗重要預警。

3.2 性能評估

系統喺17個月測試期間展示咗極少誤報，喺多個脫鈎事件（包括UST、USDC同stETH脫鈎）中都表現出穩健性能。

4 技術實現

4.1 數學框架

貝葉斯在線變點檢測算法基於以下數學公式：

時間$t$嘅運行長度$r_t$代表自上次變點以來嘅時間。運行長度嘅概率遞歸更新：

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

其中$x_t^{(r)}$代表自上次變點以來嘅數據，風險函數$H(r_t)$決定變點概率：

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

4.2 代碼實現

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):
        # 預測步驟
        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)
        
        # 變點概率
        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)
        
        # 更新步驟
        updated_probs = []
        for r, prob in enumerate(predictive_probs):
            if r == 0:
                likelihood = self.observation_likelihood(new_observation)
            else:
                # 更新運行長度r嘅充分統計量
                likelihood = self.observation_likelihood(new_observation, r)
            updated_probs.append(prob * likelihood)
        
        # 歸一化
        total = sum(updated_probs)
        self.run_length_posterior = [p/total for p in updated_probs]
        
        return self.run_length_posterior[0]  # 返回變點概率

5 未來應用

呢項研究可以擴展到通過修改參數嚟動態降低Curve資金池風險，以應對潛在脫鈎。未來應用包括：

• DeFi協議嘅實時風險管理API
• 基於風險信號嘅動態資金池參數調整
• 跨協議脫鈎檢測系統
• 流動性提供者保險產品
• 穩定幣發行商監管監控工具

6 原創分析

Cintra同Holloway嘅研究代表咗去中心化金融實時風險管理嘅重大進步。佢哋將貝葉斯在線變點檢測應用於穩定幣脫鈎場景，展示咗點樣將精密統計方法適應區塊鏈金融市場。呢個方法論同傳統金融中使用嘅變點檢測技術有相似之處，例如Adams同MacKay（2007）關於貝葉斯在線變點檢測嘅開創性工作，但適應咗自動做市商嘅獨特特性。

令呢個方法特別創新嘅係佢嘅實時能力同極低誤報率。同傳統金融監控系統依賴簡單基於閾值嘅警報唔同，貝葉斯框架包含咗不確定性量化同順序更新。呢個同異常檢測中現代機器學習方法一致，類似於網絡安全同網絡監控中使用嘅技術。考慮到大多數市場參與者喺矽谷銀行倒閉期間都被打咗個措手不及，系統能夠提前5個鐘頭偵測到USDC脫鈎係相當了不起。

呢項研究建立喺古典統計學同現代機器學習嘅既定原則之上。數學基礎借鑒咗貝葉斯推斷方法，類似於高斯過程回歸同順序蒙特卡洛中使用嘅方法，正如Bishop（2006）嘅《模式識別與機器學習》等著作中引用嘅。然而，應用於DeFi流動性提供代表咗一個新穎貢獻。系統喺13個唔同資金池超過17個月嘅表現，加上極少誤報，表明咗穩健嘅泛化能力。

同其他DeFi風險管理方法相比，例如借貸協議中使用嘅基於預言機嘅價格饋送，或者某啲中心化交易所中使用嘅熔斷機制，呢個方法論提供咗更主動同細緻嘅方法。佢唔只係對價格變動作出反應，而係識別市場行為模式中嘅結構性變化。呢個有可能同動態AMM參數調整系統集成，類似於Angeris等人（2021）關於改進價格預言機嘅可編程流動性工作，為去中心化交易所創建一個全面風險管理框架。

作為流動性提供者API嘅實際實現展示咗研究嘅即時適用性。呢個橋接咗學術方法論同現實世界效用之間嘅差距，解決咗快速發展嘅DeFi生態系統中嘅關鍵需求。隨住穩定幣市場繼續增長並面臨監管審查，呢類檢測系統對參與者同監管機構都將變得越來越有價值。

7 參考文獻

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.