zLend: A Dual-Scope Cash-Flow Reconstruction Framework for On-Chain Credit Underwriting
تقدم هذه الورقة zLend، وهو إطار عمل مستخدم فعلياً لتقييم الجدارة الائتمانية على السلسلة (on-chain)، يقوم بإعادة بناء سجلات التدفق النقدي للمحافظ من خلال تحليل ثنائي النطاق لتحويلات العملات المستقرة وإجمالي التحويلات القابلة للاستبدال لتوليد إشارات متميزة للسيولة والقدرة على السداد، مما يتيح تقييم المخاطر دون الحاجة إلى التحقق التقليدي من الدخل.
البحث الأصلي مُهدى إلى الملك العام بموجب CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم التمويل الرقمي، تتحرك الأموال عبر سجلات عامة تسجل كل عملية تحويل، ومع ذلك، فإن هذه السجلات لا تروي في كثير من الأحيان سوى قصة جزئية. تعتمد البنوك التقليدية على مكاتب الائتمان لتقييم قدرة المقترض على السداد، باستخدام الدخل المثبت، وتاريخ الديون السابق، ودرجة ائتمانية تجمع سلوك الفرد عبر العديد من المقرضين. أما في العالم اللامركزي للعملات الرقمية، فلا يوجد مكتب ائتماني كهذا؛ فالمقترض ليس لديه ملف ائتماني، ولا راتب مثبت، ولا سجل للقروض السابقة. كل ما هو متاح هو سجل دائم وعام للمعاملات. لسنوات، كانت الطريقة الوحيدة لتقييم المقترض في هذا المجال هي النظر إلى إجمالي ثروته: مجموع كل الأصول الرقمية التي يمتلكها. ومع ذلك، يعاني هذا النهج من خلل جوهري؛ فهو يعامل جميع الأموال على أنها متساوية، متجاهلاً الفرق بين النقد الجاهز للإنفاق والأصول المجمدة أو المتقلبة أو التي يصعب بيعها. فقد يبدو شخص يحمل كمية كبيرة من رمز ممول (token) مضاربي ثرياً على الورق، ولكن إذا انخفضت قيمة هذا الرمز أو تعذر بيعه بسرعة، فقد لا يمتلك القدرة الفعلية على سداد قرض صغير يستحق في الأسبوع التالي.
لقد طور فريق من الباحثين نظاماً جديداً يسمى zLend لحل هذه المشكلة من خلال النظر إلى تدفق الأموال بدلاً من مجرد المبلغ الإجمالي. فبدلاً من مجرد جمع محتويات المحفظة، يقوم النظام بإعادة بناء تاريخ يومي لما يمكن لتلك المحفظة إنفاقه بالفعل. ويقوم بذلك عن طريق تتبع كل تحويل وارد وصادر لبناء جدول زمني لرصيد المحفظة، يوماً بعد يوم. أدرك الباحثون أنه لفهم قدرة المقترض الحقيقية على السداد، كان عليهم النظر إلى المحفظة من خلال عدستين مختلفتين في آن واحد. تركز العدسة الأولى فقط على العملات المستقرة (stablecoins)، وهي عملات رقمية مصممة للحفاظ على قيمة ثابتة، مثل الدولار. أما العدسة الثانية، فتنظر إلى المحفظة بأكملها، بما في ذلك جميع الرموز والأصول الأخرى. ومن خلال مقارنة هذين المنظورين، يمكن للنظام رصد حالات عدم التطابق الخطيرة. فإذا أظهرت المحفظة قيمة إجمالية ضخمة ولكنها تفتقر تقريباً إلى العملات المستقرة، يدرك النظام أن المقترض من المرجح أنه غير قادر على سداد القرض نقداً، بغض النظر عن مدى ثرائه الظاهري على الورق.
بنى الباحثون هذا الإطار ليعمل بالكامل بناءً على البيانات العامة، دون الحاجة إلى أي معلومات خارجية أو موافقة بشرية. وقد ابتكروا طريقة لتحويل قائمة خام من التحويلات إلى سجل نظيف ومستمر للأرصدة اليومية. تبدأ عملية إعادة البناء هذه من الصفر، حيث يتم استنتاج الرصيد الافتتاحي للمحفظة بناءً على المعاملات القليلة الأولى مع ضمان عدم انخفاض الرصيد عن الصفر. ومن هذا التاريخ المعاد بناؤه، يحسب النظام عدة إشارات؛ إذ يقيس عدد المرات التي امتلكت فيها المحفظة ما يكفي من العملات المستقرة لتغطية مبلغ قرض معين، ومدى استقرار تدفقات الدخل، ومدى انخفاض الرصيد خلال أسوأ فتراتها. كما يبحث النظام عن أنماط تشبه الراتب، مثل وصول مدفوعات منتظمة من نفس المصدر بفترات زمنية ثابتة. ثم تُجمع هذه الإشارات لتصنيف المقترض ضمن فئة محددة، تتراوح من القوية إلى الضعيفة، مما يحدد أهليته للحصول على قرض.
إن أهم نتيجة توصلت إليها الدراسة هي أن النظر إلى إجمالي الثروة وحدها يعد مؤشراً ضعيفاً للقدرة على السداد. فقد اختبر الباحثون نظامهم مقابل مجموعة من الأمثلة المصممة بعناقة، بما في ذلك محفظة كانت تحتوي على مبلغ كبير من الأصول المتقلبة ولكن مع القليل جداً من النقد. في ظل نظام تقليدي يتحقق فقط من القيمة الإجمالية، ستظهر هذه المحفظة كمقترض ممتاز. أما تحت نظام zLend الجديد، فقد تم تصنيفها بشكل صحيح كعالية المخاطر لأن احتياطياتها السائلة لم تكن كافية لتغطية حتى قرض صغير. لقد نجح النظام في تحديد أن ثروة المقترض لم تكن متاحة للسداد. وعلى العكس من ذلك، أدرك النظام أيضاً أن المحافظ ذات الثروة الإجمالية المتواضعة ولكن ذات التدفق المستمر والموثوق للعملات المستقرة هي مرشحة قوية. يسمح هذا النهج ذو الرؤية المزدوجة للنظام بالتمييز بين الشخص الملاء مالياً حقاً وبين الشخص الذي يحمل فحسب أصولاً لا يمكن استخدامها لسداد فاتورة.
اكتشف الباحثون أيضاً أن قرار منح القرض يعتمد بشكل كبير على حجم القرض المطلوب. فقد تُعتبر المحفظة مقترضاً قوياً لقرض صغير بقيمة عشرة دولارات، ولكنها قد تُعتبر مقترضاً ضعيفاً لقرض بقيمة عشرة آلاف دولار، ببساطة لأن احتياطياتها النقدية ليست كبيرة بما يكفي لتغطية المبلغ الأكبر. وهذه الحساسية ليست خللاً بل هي ميزة، فهي تعكس حقيقة أن قدرة المقترض على السداد نسبية للدين الذي يتولاه. كما أظهرت الدراسة أن عوامل الخطر المختلفة تعمل بشكل مستقل؛ فقد يكون لدى المقترض سجل مثالي في امتلاك ما يكفي من النقد، ومع ذلك يُرفض لأن رصيده انخفض مؤخراً بنسبة كبيرة، مما يشير إلى عدم الاستقرار. وقد يكون مقترض آخر لديه رصيد مستقر ولكنه يفشل لأنه لا يملك تاريخاً من الدخل المنتظم. يعامل النظام هذه كمعايير منفصلة وغير قابلة للتبادل، مما يضمن عدم التغاضي عن أي نقطة ضعف.
لضمان عمل النظام بشكل صحيح في العالم الحقيقي، بناه الباحثون بدقة متناهية. فقد طبقوا المنطق في لغتين برمجيتين مختلفتين وتحققوا من أن كلتا النسختين أنتجتا نتائج متطابقة حتى أصغر جزء من العشرة. أكد هذا الاختبار الصارم أن القواعد الرياضية لحساب الرصيد والتقلب والمخاطر قد طُبقت باتساق. والنظام يعمل بالفعل، حيث تم دمجه في تطبيقات إقراض تابعة لجهات خارجية حيث يتخذ قرارات في الوقت الفعلي بشأن قروض فعلية. ومن خلال تحويل تدفق فوضوي من المعاملات العامة إلى صورة واضحة للسيولة اليومية، يوفر هذا الإطار وسيلة لتمديد الائتمان بدون ضمانات، بالاعتماد بدلاً من ذلك على الأدلة السلوكية لكيفية إدارة المقترض لأمواله يوماً بعد يوم. ويثبت هذا العمل أنه مع إعادة بناء التاريخ بالطريقة الصحيحة، من الممكن استنتاج الجدارة الائتمانية من البيانات العامة وحدها، مما يفتح مساراً نحو نظام مالي أكثر شمولاً وقائماً على البيانات.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.