zLend: A Dual-Scope Cash-Flow Reconstruction Framework for On-Chain Credit Underwriting
Este artículo presenta zLend, un marco de suscripción de crédito on-chain desplegado que reconstruye los historiales de flujo de caja de las carteras mediante un análisis de doble alcance de las transferencias de stablecoins y de fondos fungibles totales para generar señales distintas de liquidez y capacidad de reembolso, permitiendo la evaluación de riesgos sin la verificación de ingresos tradicional.
Artículo original dedicado al dominio público bajo CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de las finanzas digitales, el dinero se mueve a través de libros de contabilidad públicos que registran cada transferencia, pero estos registros a menudo cuentan solo una historia parcial. Los bancos tradicionales dependen de los burós de crédito para juzgar la capacidad de un prestatario para pagar, utilizando ingresos verificados, historial de deudas pasadas y una puntuación que agrega el comportamiento a través de muchos prestamistas. En el mundo descentralizado de la moneda digital, no existe tal buró. Un prestatario no tiene un expediente crediticio, ni un salario verificado, ni un registro de préstamos anteriores. Todo lo que está disponible es un registro de transacciones permanente y público. Durante años, la única forma de juzgar a un prestatario en este espacio era observar su riqueza total: la suma de todos los activos digitales que poseía. Este enfoque, sin embargo, sufre de un fallo fundamental. Trata todo el dinero como igual, ignorando la diferencia entre el efectivo que está listo para gastar y los activos que están bloqueados, son volátiles o difíciles de vender. Una persona que posee una gran cantidad de un token especulativo podría parecer rica sobre el papel, pero si ese token cae en valor o no puede venderse rápidamente, es posible que no tenga la capacidad real de pagar un pequeño préstamo la semana siguiente.
Un equipo de investigadores ha desarrollado un nuevo sistema llamado zLend para resolver este problema, observando el flujo de dinero en lugar de solo el monto total. En lugar de simplemente sumar el contenido de una billetera, el sistema reconstruye un historial diario de lo que esa billetera realmente podría gastar. Lo hace rastreando cada transferencia entrante y saliente para construir una línea de tiempo del saldo de la billetera, día tras día. Los investigadores se dieron cuenta de que, para entender la verdadera capacidad de pago de un prestatario, necesitaban observar la billetera a través de dos lentes diferentes simultáneamente. El primer lente se enfoca únicamente en las stablecoins, que son monedas digitales diseñadas para mantener un valor constante, como un dólar. El segundo lente observa la cartera completa de la billetera, incluyendo todos los demás tokens y activos. Al comparar estas dos visiones, el sistema puede detectar desajustes peligrosos. Si una billetera muestra un valor total masivo pero casi ninguna stablecoin, el sistema reconoce que el prestatario probablemente sea incapaz de pagar un préstamo en efectivo, independientemente de lo rico que parezca sobre el papel.
Los investigadores construyeron este marco para que opere enteramente con datos públicos, sin necesidad de información externa o aprobación humana. Crearon un método para tomar una lista bruta de transferencias y convertirla en un registro limpio y continuo de saldos diarios. Esta reconstrucción comienza desde cero, infiriendo el saldo inicial de la billetera basándose en las primeras transacciones y asegurando que el saldo nunca caiga por debajo de cero. A partir de este historial reconstruido, el sistema calcula varias señales clave. Mide qué tan seguido la billetera tuvo suficientes stablecoins para cubrir un monto de préstamo específico, qué tan constantes son los flujos de ingresos y cuánto cayó el saldo durante sus peores períodos. También busca patrones que se asemejen a un salario, como pagos regulares que llegan desde la misma fuente en intervalos consistentes. Estas señales se combinan luego para asignar a un prestatario a un nivel específico, que va desde fuerte a débil, lo cual determina su elegibilidad para un préstamo.
El hallazgo más crítico del estudio es que observar la riqueza total por sí sola es un mal predictor de la capacidad de pago. Los investigadores probaron su sistema contra un conjunto de ejemplos cuidadosamente construidos, incluyendo una billetera que poseía una gran suma de activos volátiles pero muy poco efectivo. Bajo un sistema tradicional que solo verifica el valor total, esta billetera parecería un excelente prestatario. Bajo el nuevo sistema zLend, fue correctamente marcada como de alto riesgo porque sus reservas líquidas eran insuficientes para cubrir incluso un préstamo pequeño. El sistema identificó con éxito que la riqueza del prestatario no era accesible para el pago. Por el contrario, el sistema también reconoció billeteras con una riqueza total modesta pero con un flujo constante y confiable de stablecoins como candidatos fuertes. Este enfoque de doble visión permite al sistema distinguir entre alguien que es verdaderamente solvente y alguien que simplemente posee activos que no pueden usarse para pagar una cuenta.
Los investigadores también descubrieron que la decisión de otorgar un préstamo depende en gran medida del tamaño del préstamo solicitado. Una billetera podría ser considerada un prestatario fuerte para un préstamo pequeño de diez dólares, pero un prestatario débil para un préstamo de diez mil dólares, simplemente porque sus reservas de efectivo no son lo suficientemente grandes para cubrir el monto mayor. Esta sensibilidad no es un fallo sino una característica, que refleja la realidad de que la capacidad de un prestatario para pagar es relativa a la deuda que está asumiendo. El estudio también mostró que diferentes factores de riesgo operan de forma independiente. Un prestatario podría tener un registro perfecto de tener suficiente efectivo a mano y aun así ser rechazado porque su saldo cayó recientemente por un porcentaje grande, indicando inestabilidad. Otro prestatario podría tener un saldo estable pero fallar porque no tiene un historial de ingresos regulares. El sistema trata estos como criterios separados y no intercambiables, asegurando que ningún punto débil sea pasado por alto.
Para asegurar que el sistema funcione correctamente en el mundo real, los investigadores lo construyeron con extrema precisión. Implementaron la lógica en dos lenguajes de programación diferentes y verificaron que ambas versiones produjeran resultados idénticos hasta el más pequeño decimal. Estas rigurosas pruebas confirmaron que las reglas matemáticas para calcular el saldo, la volatilidad y el riesgo se aplicaron de manera consistente. El sistema ya está en vivo, integrado en aplicaciones de préstamo de terceros donde toma decisiones en tiempo real sobre préstamos reales. Al convertir un flujo caótico de transacciones públicas en una imagen clara de liquidez diaria, el marco proporciona una forma de extender el crédito sin colateral, basándose en cambio en la evidencia conductual de cómo un prestatario gestiona su dinero día a día. El trabajo demuestra que, con la reconstrucción adecuada de la historia, es posible inferir la solvencia crediticia a partir de datos públicos por sí solos, ofreciendo un camino hacia un sistema financiero más inclusivo y basado en datos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.