zLend: A Dual-Scope Cash-Flow Reconstruction Framework for On-Chain Credit Underwriting
Dieses Paper stellt zLend vor, ein implementiertes On-Chain-Kreditprüfungssystem, das Wallet-Cashflow-Historien durch eine dual-skopige Analyse von Stablecoin- und gesamten fungiblen Transfers rekonstruiert, um distinkte Liquiditäts- und Rückzahlungsfähigkeits-Signale zu generieren, was eine Risikobewertung ohne traditionelle Einkommensverifizierung ermöglicht.
Originalarbeit unter CC0 1.0 der Gemeinfreiheit gewidmet (http://creativecommons.org/publicdomain/zero/1.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
In der Welt der digitalen Finanzen bewegen sich Gelder über öffentliche Register, die jede Überweisung aufzeichnen, doch diese Aufzeichnungen erzählen oft nur eine unvollständige Geschichte. Traditionelle Banken verlassen sich auf Kreditauskunfteien, um die Rückzahlungsfähigkeit eines Kreditnehmers zu beurteilen, indem sie verifiziertes Einkommen, die bisherige Schuldenhistorie und einen Score nutzen, der das Verhalten über viele Kreditgeber hinweg aggregiert. In der dezentralen Welt der digitalen Währungen existiert keine solche Auskunftei. Ein Kreditnehmer hat keine Kredithistorie, keinen verifizierten Gehaltszettel und keinen Nachweis über frühere Kredite. Alles, was zur Verfügung steht, ist ein permanentes, öffentliches Protokoll von Transaktionen. Jahrelang war der einzige Weg, einen Kreditnehmer in diesem Bereich zu beurteilen, dessen Gesamtvermögen zu betrachten: die Summe aller digitalen Vermögenswerte, die er hielt. Dieser Ansatz leidet jedoch unter einem grundlegenden Fehler. Er behandelt alles Geld als gleichwertig und ignoriert den Unterschied zwischen Bargeld, das bereit zum Ausgeben ist, und Vermögenswerten, die gebunden, volatil oder schwer verkäuflich sind. Eine Person, die eine große Menge eines spekulativen Tokens hält, mag auf dem Papier reich erscheinen, aber wenn dieser Token im Wert fällt oder nicht schnell verkauft werden kann, verfügt sie möglicherweise nicht über die tatsächliche Fähigkeit, einen kleinen Kredit, der nächste Woche fällig ist, zurückzuzahlen.
Ein Team von Forschern hat ein neues System namens zLend entwickelt, um dieses Problem zu lösen, indem es den Geldfluss betrachtet anstatt nur den Gesamtbetrag. Anstatt einfach nur den Inhalt einer Wallet aufzusummieren, rekonstruiert das System eine tägliche Historie dessen, was diese Wallet tatsächlich ausgeben könnte. Dies geschieht, indem jeder eingehende und ausgehende Transfer verfolgt wird, um eine Zeitlinie des Wallet-Guthabens Tag für Tag aufzubauen. Die Forscher erkannten, dass sie, um die wahre Kapazität eines Kreditnehmers zu verstehen, die Wallet gleichzeitig durch zwei verschiedene Linsen betrachten mussten. Die erste Linse konzentriert sich ausschließlich auf Stablecoins, welche digitale Währungen sind, die darauf ausgelegt sind, einen stabilen Wert zu halten, wie etwa einen Dollar. Die zweite Linse betrachtet das gesamte Portfolio der Wallet, einschließlich aller anderen Token und Vermögenswerte. Durch den Vergleich dieser beiden Ansichten kann das System gefährliche Diskrepanzen aufspüren. Wenn eine Wallet einen massiven Gesamtwert zeigt, aber fast keine Stablecoins besitzt, erkennt das System, dass der Kreditnehmer wahrscheinlich nicht in der Lage ist, einen Kredit in bar zurückzuzahlen, ungeachtet dessen, wie reich er auf dem Papier erscheint.
Die Forscher bauten dieses Framework so, dass es vollständig auf öffentlichen Daten operiert, ohne externe Informationen oder menschliche Genehmigung zu benötigen. Sie entwickelten eine Methode, um eine rohe Liste von Transfers in einen sauberen, kontinuierlichen Datensatz täglicher Salden zu verwandeln. Diese Rekonstruktion beginnt bei Null, indem der Anfangssaldo der Wallet basierend auf den ersten wenigen Transaktionen abgeleitet wird und sichergestellt wird, dass das Guthaben niemals unter Null fällt. Aus dieser rekonstruierten Historie berechnet das System mehrere Schlüssel-Signale. Es misst, wie oft die Wallet über genügend Stablecoins verfügte, um einen bestimmten Kreditbetrag zu decken, wie beständig die Einkommensströme sind und wie stark das Guthaben während seiner schlechtesten Phasen sank. Es sucht auch nach Mustern, die einem Gehalt ähneln, wie etwa regelmäßige Zahlungen, die in konsistenten Intervallen von derselben Quelle eintreffen. Diese Signale werden dann kombjeminiert, um einen Kreditnehmer einer spezifischen Stufe zuzuweisen, die von stark bis schwach reicht, was wiederum seine Kreditwürdigkeit bestimmt.
Die wichtigste Erkenntnis der Studie ist, dass die Betrachtung des Gesamtvermögens allein ein schlechter Prädiktor für die Rückzahlungsfähigkeit ist. Die Forscher testeten ihr System gegen eine Reihe sorgfältig konstruierter Beispiele, einschließlich einer Wallet, die eine große Summe volatiler Vermögenswerte, aber sehr wenig Bargeld hielt. Unter einem traditionellen System, das lediglich den Gesamtwert prüft, würde diese Wallet als exzellenter Kreditnehmer erscheinen. Unter dem neuen zLend-System wurde sie korrekt als hohes Risiko eingestuft, da ihre liquiden Reserven nicht ausreichten, um selbst einen kleinen Kredit zu decken. Das System identifizierte erfolgreich, dass das Vermögen des Kreditnehmers für die Rückzahlung nicht zugänglich war. Umgekehrt erkannte das System auch Wallets mit bescheidenem Gesamtvermögen, aber einem stetigen, zuverlässigen Fluss an Stablecoins, als starke Kandidaten an. Dieser duale Ansatz ermöglicht es dem System, zwischen jemandem, der wirklich zahlungsfähig ist, und jemandem zu unterscheiden, der lediglich Vermögenswerte hält, die nicht zur Begleichung einer Rechnung verwendet werden können.
Die Forscher entdeckten auch, dass die Entscheidung zur Kreditvergabe stark von der Größe des angeforderten Kredits abhängt. Eine Wallet könnte als starker Kreditnehmer für einen kleinen Kredit von zehn Dollar gelten, aber als schwacher Kreditnehmer für einen Kredit von zehntausend Dollar, schlicht weil ihre Barmittel nicht groß genug sind, um den größeren Betrag zu decken. Diese Sensitivität ist kein Fehler, sondern ein Merkmal, das die Realität widerspiegelt, dass die Rückzahlungsfähigkeit eines Kreditnehmers relativ zu der Schuld ist, die er aufnimmt. Die Studie zeigte ferner, dass verschiedene Risikofaktoren unabhängig voneinander operieren. Ein Kreditnehmer könnte eine perfekte Bilanz darin haben, genügend Bargeld auf der Hand zu halten, aber dennoch abgelehnt werden, weil sein Guthaben kürzlich um einen großen Prozentsatz eingebrochen ist, was auf Instabilität hindeutet. Ein anderer Kreditnehmer könnte ein stabiles Guthaben haben, aber scheitern, weil er keine Historie regelmäßiger Einkünfte aufweist. Das System behandelt dies als separate, nicht austauschbare Kriterien und stellt so sicher, dass keine einzelne Schwäche übersehen wird.
Um sicherzustellen, dass das System in der realen Welt korrekt funktioniert, bauten die Forscher es mit extremer Präzision. Sie implementierten die Logik in zwei verschiedenen Programmiersprachen und verifizierten, dass beide Versionen identische Ergebnisse bis auf die kleinste Dezimalstelle lieferten. Dieses rigorose Testen bestätigte, dass die mathematischen Regeln zur Berechnung von Saldo, Volatilität und Risiko konsistent angewendet wurden. Das System ist bereits live und in Drittanbieter-Lending-Applikationen integriert, wo es Echtzeit-Entscheidungen über tatsächliche Kredite trifft. Durch die Umwandlung eines chaotischen Stroms öffentlicher Transaktionen in ein klares Bild der täglichen Liquidität bietet das Framework einen Weg, Kredite ohne Sicherheiten zu gewähren, indem es stattdessen auf die verhaltensbasierte Evidenz darauf stützt, wie ein Kreditnehmer sein Geld Tag für Tag verwaltet. Die Arbeit zeigt, dass es mit der richtigen Rekonstruktion der Historie möglich ist, die Kreditwürdigkeit allein aus öffentlichen Daten abzuleiten, was einen Weg zu einem inklusiveren und datengesteuerten Finanzsystem eröffnet.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.