[论文解读] Thinking Fast and Slow: Data-Driven Adaptive DeFi Borrow-Lending Protocol

Mahsa Bastankhah, Viraj Nadkarni+3 more|arXiv (Cornell University)|Jan 1, 2024

Advanced Data Storage Technologies被引用 1

一句话总结

本文提出一种数据驱动、自适应的去中心化金融（DeFi）借贷协议，通过高频学习控制器动态调整利率，并通过低频规划器优化超额抵押比率。与静态模型相比，该系统实现更快的市场均衡收敛速度并减少资本外流，同时在稳定性方面提供理论保证，并通过实证验证性能提升。

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.

研究动机与目标

• 为解决传统DeFi协议中固定利率曲线和静态抵押因子导致的僵化问题，这些机制无法适应动态市场条件。
• 以系统化方式建模借款人和贷款人的激励机制，同时考虑价格波动性和外部市场利率。
• 设计一种双层协议，通过平衡短期利率竞争力与长期风险和利润优化，确保市场均衡。
• 为利率控制器提供收敛性和对抗鲁棒性的理论保证，为抵押因子规划器提供长期有效性的理论支持。
• 通过实证验证，证明该协议在维持利用率稳定性和最小化资本中断方面，优于基线分段线性控制器。

提出的方法

• 高频控制器采用基于最小二乘估计（LSE）的学习算法，实时动态调整利率，确保快速收敛至均衡利率。
• 控制器具有理论基础，提供收敛速率和对抗鲁棒性保证，最大限度减少利率错配期间的用户机会成本。
• 低频规划器利用估计的市场状况（包括价格波动性和用户行为）设定最优抵押因子，以平衡风险与盈利能力。
• 系统采用双时间尺度设计：快速控制器响应即时用户行为，而慢速规划器则基于历史和预测数据调整长期参数。
• 协议采用定义明确的市场均衡条件，即内部利率不会导致套利机会或相对于外部市场的优势。
• 实证评估采用具有不同弹性系数的模拟用户，比较LSE控制器与分段线性基线在利率跟踪和资本稳定性方面的表现。

实验结果

研究问题

• RQ1 如何使DeFi借贷协议在市场条件变化时，动态调整利率以维持市场均衡？
• RQ2 用户弹性对自适应利率控制器性能的影响是什么？如何缓解其负面影响？
• RQ3 如何随时间优化超额抵押比率，以平衡违约风险与市场效率？
• RQ4 在波动性较强的DeFi环境中，基于学习的利率控制器的收敛性和鲁棒性可提供哪些理论保证？
• RQ5 所提出的双组件协议在现实世界模拟中，相较于静态的分段线性利率与抵押因子模型，其优越性体现在多大程度上？

主要发现

• 基于LSE的控制器在收敛至均衡利率方面显著快于基线分段线性控制器，尤其在借款人弹性较低时表现更优。
• 在低弹性条件下，基线控制器无法有效跟踪均衡利率，导致因利率错配引发大量借款人资本外流。
• 由于LSE控制器能快速适应市场变化，成功防止了资本外流，即使在市场动荡期间也能维持具有竞争力的利率。
• 抵押因子规划器成功检测到价格波动性的变化，并将抵押因子从0.95调整至0.84，再调整至0.64，使利用率稳定在目标水平0.5附近。
• 在波动性变化后，系统仍能将利用率维持在期望的0.5水平附近，证明低频规划器在长期均衡维持方面的有效性。
• 实证结果证实，与静态模型相比，所提出的协议能显著减少市场干扰，提升稳定性，实现最小资本外流和对冲击的快速恢复。