[논문 리뷰] Thinking Fast and Slow: Data-Driven Adaptive DeFi Borrow-Lending Protocol

Mahsa Bastankhah, Viraj Nadkarni외 3명|arXiv (Cornell University)|2024. 01. 01.

Advanced Data Storage Technologies인용 수 1

한 줄 요약

이 논문은 고주기 학습 기반 제어기로 실시간으로 이자율을 동적으로 조정하고, 저주기 플래너를 통해 과담보 비율을 최적화하는 데이터 기반의 적응형 DeFi 대출-예금 프로토콜을 제안한다. 이 시스템은 정적 모델 대비 더 빠른 시장 균형 수렴과 자본 유출 감소를 달성하며, 안정성에 대한 이론적 보장과 성능 향상에 대한 실증적 검증을 제공한다.

ABSTRACT

Decentralized finance (DeFi) borrowing and lending platforms are crucial to the decentralized economy, involving two main participants: lenders who provide assets for interest and borrowers who offer collateral exceeding their debt and pay interest. Collateral volatility necessitates over-collateralization to protect lenders and ensure competitive returns. Traditional DeFi platforms use a fixed interest rate curve based on the utilization rate (the fraction of available assets borrowed) and determine over-collateralization offline through simulations to manage risk. This method doesn't adapt well to dynamic market changes, such as price fluctuations and evolving user needs, often resulting in losses for lenders or borrowers. In this paper, we introduce an adaptive, data-driven protocol for DeFi borrowing and lending. Our approach includes a high-frequency controller that dynamically adjusts interest rates to maintain market stability and competitiveness with external markets. Unlike traditional protocols, which rely on user reactions and often adjust slowly, our controller uses a learning-based algorithm to quickly find optimal interest rates, reducing the opportunity cost for users during periods of misalignment with external rates. Additionally, we use a low-frequency planner that analyzes user behavior to set an optimal over-collateralization ratio, balancing risk reduction with profit maximization over the long term. This dual approach is essential for adaptive markets: the short-term component maintains market stability, preventing exploitation, while the long-term planner optimizes market parameters to enhance profitability and reduce risks. We provide theoretical guarantees on the convergence rates and adversarial robustness of the short-term component and the long-term effectiveness of our protocol. Empirical validation confirms our protocol's theoretical benefits.

연구 동기 및 목표

• 고정된 이자율 곡선과 정적 담보 요건을 사용하는 전통적인 DeFi 프로토콜의 유연성 부족 문제를 해결하기 위해, 변동하는 시장 조건에 적응하지 못하는 점을 해결한다.
• 가격 변동성과 외부 시장 금리 요건을 고려하여 빚을 지는 자와 대출자 인cent리브를 체계적으로 모델링한다.
• 단기적 이자율 경쟁력과 장기적 리스크 및 수익 최적화를 균형 잡는 이중 계층 프로토콜을 설계하여 시장 균형을 확보한다.
• 이자율 제어기의 수렴성과 적대적 강인성에 대한 이론적 보장을 제공하고, 담보 요건 플래너의 장기적 효과성에 대한 보장을 확보한다.
• 기본선(piecewise linear) 제어기 대비 제안된 프로토콜이 자원 활용도 안정성 유지를 및 자본 혼란 최소화 측면에서 실증적으로 검증한다.

제안 방법

• 고주기 제어기는 최소 제곱 추정(LSE) 기반 학습 알고리즘을 사용하여 실시간으로 이자율을 동적으로 조정함으로써 균형 이자율로의 신속한 수렴을 보장한다.
• 이 제어기는 이론적으로 수렴 속도와 적대적 강인성 보장을 갖추고 있어, 이자율 불일치 시기 동안 사용자 기회비용을 최소화한다.
• 저주기 플래너는 가격 변동성과 사용자 행동 등을 포함한 추정된 시장 조건을 바탕으로 리스크와 수익성을 균형 잡는 최적의 담보 요건을 설정한다.
• 이 시스템은 이중 시간 척도 설계를 채택한다: 빠른 제어기는 즉각적인 사용자 행동에 반응하고, 느린 플래너는 역사적 및 예측 데이터를 기반으로 장기적 파arameter를 조정한다.
• 내부 이자율이 외부 시장보다 비효율적 또는 아웃오브어드밴티지가 되지 않는 시장 균형 조건을 정의한다.
• 실증 평가에서는 다양한 탄성 수준을 가진 시뮬레이션 사용자를 활용하여, LSE 제어기와 조각별 선형 기반 모델 간의 이자율 추적 및 자본 안정성 측면에서 비교 분석을 수행한다.

실험 결과

연구 질문

• RQ1 변동하는 시장 조건에 대응해 DeFi 대출 및 예금 프로토콜이 어떻게 동적으로 이자율을 조정하여 시장 균형을 유지할 수 있는가?
• RQ2 사용자 탄성은 적응형 이자율 제어기 성능에 어떤 영향을 미치며, 이를 어떻게 완화할 수 있는가?
• RQ3 장기적으로 과담보 비율을 어떻게 최적화하여 파산 리스크와 시장 효율성 간의 균형을 이룰 수 있는가?
• RQ4 변동성이 높은 DeFi 환경에서 학습 기반 이자율 제어기에 대해 어떤 이론적 보장을 제공할 수 있는가?
• RQ5 실제 시뮬레이션에서 제안된 이중 구성 요소 프로토콜이 정적 조각별 선형 이자율 및 담보 요건 모델 대비 얼마나 뛰어난 성능을 보이는가?

주요 결과

• LSE 기반 제어기는 특히 저탄성 빚 지는 자 상황에서 기준선 조각별 선형 제어기보다 균형 이자율로의 수렴 속도가 뚜렷이 빠르게 나타난다.
• 저탄성 조건에서 기준선 제어기는 균형 이자율을 추적하지 못해 이자율 불일치로 인해 빚 지는 자의 자본 유출이 심각하게 발생한다.
• LSE 제어기는 변화하는 조건에 신속하게 적응함으로써 경쟁력 있는 이자율을 유지함으로써 자본 유출을 성공적으로 방지한다.
• 담보 요건 플래너는 가격 변동성 변화를 성공적으로 감지하고 담보 요건을 0.95에서 0.84로, 다시 0.64로 조정하여 활용도를 목표 수준 0.5 근처에서 안정화시켰다.
• 변동성 변화 이후에도 활용도가 원하는 0.5 수준 근처를 유지함으로써, 저주기 플래너가 장기적 균형 유지에 효과적임을 입증한다.
• 실증 결과는 제안된 프로토콜이 정적 모델 대비 시장 혼란을 감소시키고 안정성을 향상시키며, 최소한의 자본 유출과 충격 회복 속도 향상을 보임을 확인한다.