zLend: A Dual-Scope Cash-Flow Reconstruction Framework for On-Chain Credit Underwriting
Ce document présente zLend, un cadre de souscription de crédit on-chain déployé qui reconstruit l'historique des flux de trésorerie des portefeuilles grâce à une analyse à double portée des transferts de stablecoins et des transferts de jetons fongibles totaux afin de générer des signaux distincts de liquidité et de capacité de remboursement, permettant ainsi l'évaluation des risques sans vérification de revenus traditionnelle.
Article original placé dans le domaine public sous CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Dans le monde de la finance numérique, l'argent circule via des registres publics qui enregistrent chaque transfert, pourtant ces enregistrements ne racontent souvent qu'une histoire partielle. Les banques traditionnelles s'appuient sur les bureaux de crédit pour juger la capacité d'un emprunteur à rembourser, en utilisant des revenus vérifiés, l'historique des dettes passées et un score qui agrège le comportement à travers de nombreux prêteurs. Dans le monde décentralisé des monnaies numériques, aucun bureau de ce type n'existe. Un emprunteur n'a pas de dossier de crédit, pas de fiche de paie vérifiée, et aucun enregistrement de prêts passés. Tout ce qui est disponible est un journal de transactions permanent et public. Pendant des années, la seule façon de juger un emprunteur dans cet espace était d'examiner sa richesse totale : la somme de tous les actifs numériques qu'il détenait. Cette approche souffre toutefois d'une faille fondamentale. Elle traite tout l'argent comme étant égal, ignorant la différence entre l'argent liquide prêt à être dépensé et les actifs qui sont bloqués, volatils ou difficiles à vendre. Une personne détenant une grande quantité d'un jeton spéculatif peut paraître riche sur le papier, mais si ce jeton chute en valeur ou ne peut être vendu rapidement, elle peut n'avoir aucune capacité réelle à rembourser un petit prêt prévu la semaine suivante.
Une équipe de chercheurs a développé un nouveau système appelé zLend pour résoudre ce problème en examinant le flux d'argent plutôt que simplement le montant total. Au lieu de simplement additionner le contenu d'un portefeuille, le système reconstruit un historique quotidien de ce que ce portefeuille pourrait réellement dépenser. Il y parvient en suivant chaque transfert entrant et sortant pour construire une chronologie du solde du portefeuille, jour après jour. Les chercheurs ont réalisé que pour comprendre la véritable capacité de remboursement d'un emprunteur, ils devaient observer le portefeuille à travers deux prismes différents simultanément. Le premier prisme se concentre uniquement sur les stablecoins, qui sont des monnaies numériques conçues pour maintenir une valeur stable, comme le dollar. Le second prisme examine l'ensemble du portefeuille du portefeuille, incluant tous les autres jetons et actifs. En comparant ces deux vues, le système peut repérer des décalages dangereux. Si un portefeuille affiche une valeur totale massive mais presque aucun stablecoin, le système reconnaît que l'emprunteur est probablement incapable de rembourser un prêt en espèces, peu importe à quel point il semble riche sur le papier.
Les chercheurs ont construit ce cadre pour fonctionner entièrement sur des données publiques, sans avoir besoin d'informations extérieures ou d'approbation humaine. Ils ont créé une méthode pour prendre une liste brute de transferts et la transformer en un enregistrement propre et continu de soldes quotidiens. Cette reconstruction part de zéro, en déduisant le solde d'ouverture du portefeuille basé sur les premières transactions et en s'assurant que le solde ne descend jamais en dessous de zéro. À partir de cet historique reconstruit, le système calcule plusieurs signaux clés. Il mesure la fréquence à laquelle le portefeuille possédait suffisamment de stablecoins pour couvrir un montant de prêt spécifique, la régularité des flux de revenus, et l'ampleur de la baisse du solde lors de ses périodes les plus critiques. Il recherche également des modèles ressemblant à un salaire, tels que des paiements réguliers arrivant d'une même source à des intervalles constants. Ces signaux sont ensuite combinés pour assigner un emprunteur à un niveau spécifique, allant de fort à faible, ce qui détermine son éligibilité à un prêt.
La conclusion la plus critique de l'étude est que l'examen de la richesse totale seule est un mauvais prédicteur de la capacité de remboursement. Les chercheurs ont testé leur système contre un ensemble d'exemples soigneusement construits, incluant un portefeuille qui détenait une somme importante d'actifs volatils mais très peu de liquidités. Sous un système traditionnel qui ne vérifie que la valeur totale, ce portefeuille paraîtrait être un excellent emprunteur. Sous le nouveau système zLend, il a été correctement identifié comme un risque élevé car ses réserves liquides étaient insuffisantes pour couvrir même un petit prêt. Le système a réussi à identifier que la richesse de l'emprunteur n'était pas accessible pour le remboursement. Inversement, le système a également reconnu des portefeuilles avec une richesse totale modeste mais un flux de stablecoins constant et fiable comme de solides candidats. Cette approche à double vue permet au système de distinguer quelqu'un qui est véritablement solvable de quelqu'un qui détient simplement des actifs qui ne peuvent pas être utilisés pour payer une facture.
Les chercheurs ont également découvert que la décision d'accorder un prêt dépend fortement de la taille du prêt demandé. Un portefeuille peut être considéré comme un emprunteur solide pour un petit prêt de dix dollars, mais comme un emprunteur faible pour un prêt de dix mille dollars, simplement parce que ses réserves de liquidités ne sont pas assez importantes pour couvrir le montant plus élevé. Cette sensibilité n'est pas un défaut mais une caractéristique, reflétant la réalité que la capacité de remboursement d'un emprunteur est relative à la dette qu'il contracte. L'étude a également montré que différents facteurs de risque opèrent de manière indépendante. Un emprunteur peut avoir un dossier parfait concernant la possession de suffisamment de liquidités, tout en étant rejeté parce que son solde a récemment chuté d'un pourcentage important, indiquant une instabilité. Un autre emprunteur peut avoir un solde stable mais échouer parce qu'il n'a pas d'historique de revenus réguliers. Le système traite ces éléments comme des critères distincts et non interchangeables, garantissant qu'aucune faiblesse ne soit négligée.
Pour s'assurer que le système fonctionne correctement dans le monde réel, les chercheurs l'ont construit avec une précision extrême. Ils ont implémenté la logique dans deux langages informatiques différents et ont vérifié que les deux versions produisaient des résultats identiques jusqu'à la plus petite décimale. Ces tests rigoureux ont confirmé que les règles mathématiques pour calculer le solde, la volatilité et le risque étaient appliquées de manière cohérente. Le système est déjà opérationnel, intégré dans des applications de prêt tierces où il prend des décisions en temps réel sur des prêts réels. En transformant un flux chaotique de transactions publiques en une image claire de la liquidité quotidienne, ce cadre offre un moyen d'étendre le crédit sans collatéral, en s'appuyant plutôt sur la preuve comportementale de la gestion de l'argent au quotidien par l'emprunteur. Ce travail démontre qu'avec une reconstruction adéquate de l'historique, il est possible de déduire la solvabilité à partir des seules données publiques, offrant ainsi une voie vers un système financier plus inclusif et axé sur les données.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.