zLend: A Dual-Scope Cash-Flow Reconstruction Framework for On-Chain Credit Underwriting
यह शोध पत्र zLend को प्रस्तुत करता है, जो एक तैनात ऑन-चेन क्रेडिट अंडरराइटिंग फ्रेमवर्क है जो स्टेबलकॉइन और कुल फंजिबल ट्रांसफर के दोहरे-दायरा विश्लेषण के माध्यम से वॉलेट कैश-फ्लो इतिहास को पुनर्गठित करता है ताकि विशिष्ट तरलता और पुनर्भुगतान-क्षमता संकेतों को उत्पन्न किया जा सके, जिससे पारंपरिक आय सत्यापन के बिना जोखिम मूल्यांकन सक्षम हो सके।
मूल पेपर CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/) के तहत सार्वजनिक डोमेन को समर्पित है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
डिजिटल वित्त की दुनिया में, पैसा सार्वजनिक लेजर के माध्यम से चलता है जो हर हस्तांतरण को रिकॉर्ड करता है, फिर भी ये रिकॉर्ड अक्सर केवल एक आंशिक कहानी बताते हैं। पारंपरिक बैंक उधारकर्ता की पुनर्भुगतान करने की क्षमता का आकलन करने के लिए क्रेडिट ब्यूरो पर भरोसा करते हैं, जो सत्यापित आय, पिछले ऋण इतिहास और एक ऐसे स्कोर का उपयोग करते हैं जो कई ऋणदाताओं के बीच व्यवहार को संकलित करता है। डिजिटल मुद्रा की विकेंद्रीकृत दुनिया में, ऐसा कोई ब्यूरो मौजूद नहीं है। एक उधारकर्ता के पास न तो कोई क्रेडिट फाइल होती है, न ही कोई सत्यापित वेतन, और न ही पिछले ऋणों का कोई रिकॉर्ड। केवल एक स्थायी, सार्वजनिक लेनदेन का लॉग ही उपलब्ध होता है। वर्षों तक, इस क्षेत्र में उधारकर्ता को परखने का एकमात्र तरीका उनकी कुल संपत्ति को देखना था: उनके पास मौजूद प्रत्येक डिजिटल संपत्ति का योग। हालाँकि, इस दृष्टिकोण में एक मौलिक दोष है। यह सभी धन को समान मानता है, और उस नकदी के बीच के अंतर को अनदेखा करता है जो खर्च करने के लिए तैयार है और उन संपत्तियों के बीच जो लॉक या अस्थिर हैं या जिन्हें बेचना कठिन है। एक व्यक्ति जिसके पास किसी सट्टा टोकन (speculative token) की बड़ी मात्रा है, वह कागज़ पर अमीर दिख सकता है, लेकिन यदि उस टोकन के मूल्य में गिरावट आती है या उसे जल्दी से बेचा नहीं जा सकता, तो अगले सप्ताह देय एक छोटे से ऋण को चुकाने की उसकी वास्तविक क्षमता नहीं हो सकती है।
शोधकर्ताओं की एक टीम ने इस समस्या को हल करने के लिए zLend नामक एक नई प्रणाली विकसित की है, जो केवल कुल राशि के बजाय धन के प्रवाह (flow of money) पर ध्यान केंद्रित करती है। केवल एक वॉलेट की सामग्री को जोड़ने के बजाय, यह प्रणाली उस वॉलेट की एक दैनिक इतिहास का पुनर्निर्माण करती है कि वह वास्तव में क्या खर्च कर सकता था। यह हर आने वाले और जाने वाले हस्तांतरण को ट्रैक करके वॉलेट के बैलेंस की दिन-प्रतिदिन की टाइमलाइन बनाने का काम करती है। शोधकर्ताओं ने महसूस किया कि उधारकर्ता की वास्तविक पुनर्भुगतान क्षमता को समझने के लिए, उन्हें वॉलेट को एक साथ दो अलग-अलग दृष्टिकोणों से देखने की आवश्यकता है। पहला दृष्टिकोण केवल स्टेबलकॉइन्स (stablecoins) पर केंद्रित है, जो डिजिटल मुद्राएं हैं जिन्हें डॉलर की तरह स्थिर मूल्य बनाए रखने के लिए डिज़ाइन किया गया है। दूसरा दृष्टिकोण वॉलेट के पूरे पोर्टफोलियो को देखता है, जिसमें अन्य सभी टोकन और संपत्तियां शामिल हैं। इन दोनों दृश्यों की तुलना करके, सिस्टम खतरनाक विसंगतियों को पहचान सकता है। यदि एक वॉलेट में भारी कुल मूल्य दिखता है लेकिन लगभग कोई स्टेबलकॉइन नहीं है, तो सिस्टम पहचान लेता है कि उधारकर्ता संभवतः नकदी में ऋण चुकाने में असमर्थ है, चाहे वह कागज़ पर कितना भी अमीर क्यों न दिखाई दे।
शोधकर्ताओं ने इस ढांचे को पूरी तरह से सार्वजनिक डेटा पर संचालित होने के लिए बनाया है, जिसमें किसी बाहरी जानकारी या मानवीय अनुमोदन की आवश्यकता नहीं है। उन्होंने कच्चे हस्तांतरणों की एक सूची को एक स्वच्छ, निरंतर दैनिक बैलेंस के रिकॉर्ड में बदलने की एक विधि बनाई। यह पुनर्निर्माण शून्य से शुरू होता है, जो पहले कुछ लेनदेन के आधार पर वॉलेट के शुरुआती बैलेंस का अनुमान लगाता है और यह सुनिश्चित करता है कि बैलेंस कभी शून्य से नीचे न जाए। इस पुनर्निर्मित इतिहास से, सिस्टम कई प्रमुख संकेत (signals) निकालता है। यह मापता है कि कितनी बार वॉलेट के पास एक विशिष्ट ऋण राशि को कवर करने के लिए पर्याप्त स्टablecoins थे, आय का प्रवाह कितना स्थिर है, और इसके सबसे खराब दौर के दौरान बैलेंस कितना गिरा। यह उन पैटर्न को भी देखता है जो वेतन (salary) के समान हैं, जैसे कि एक ही स्रोत से नियमित अंतराल पर आने वाले भुगतान। इन संकेतों को फिर एक उधारकर्ता को एक विशिष्ट श्रेणी (tier) में असाइन करने के लिए जोड़ा जाता है, जो मजबूत से लेकर कमजोर तक होती है, और यही उनकी ऋण पात्रता निर्धारित करती है।
अध्ययन का सबसे महत्वपूर्ण निष्कर्ष यह है कि केवल कुल संपत्ति को देखना पुनर्भुगतान क्षमता का एक खराब भविष्यवक्ता है। शोधकर्ताओं ने अपने सिस्टम का परीक्षण सावधानीपूर्वक निर्मित उदाहरणों के एक सेट के विरुद्ध किया, जिसमें एक ऐसा वॉलेट शामिल था जिसके पास अस्थिर संपत्तियों की एक बड़ी राशि थी लेकिन बहुत कम नकदी थी। एक पारंपरिक प्रणाली के तहत जो केवल कुल मूल्य की जांच करती है, यह वॉलेट एक उत्कृष्ट उधारकर्ता के रूपப் दिखेगा। नए zLend सिस्टम के तहत, इसे सही ढंग से उच्च जोखिम वाला माना गया क्योंकि इसके तरल भंडार (liquid reserves) एक छोटे ऋण को कवर करने के लिए भी अपर्याप्त थे। सिस्टम ने सफलतापूर्वक पहचान लिया कि उधारकर्ता की संपत्ति पुनर्भुगतान के लिए सुलभ नहीं थी। इसके विपरीत, सिस्टम ने मध्यम कुल संपत्ति वाले लेकिन स्टेबलकॉइन्स के एक स्थिर, विश्वसनीय प्रवाह वाले वॉलेट को भी मजबूत उम्मीदवार के रूप में पहचाना। यह दोहरा दृष्टिकोण सिस्टम को यह अंतर करने की अनुमति देता है कि कौन वास्तव में सक्षम (solvent) है और कौन केवल ऐसी संपत्तियां रखे हुए है जिनका उपयोग बिल भुगतान के लिए नहीं किया जा सकता है।
शोधकर्ताओं ने यह भी पाया कि ऋण देने का निर्णय अनुरोधित ऋण के आकार पर बहुत अधिक निर्भर करता है। एक वॉलेट दस डॉलर के छोटे ऋण के लिए एक मजबूत उधारकर्ता माना जा सकता है, लेकिन दस हजार डॉलर के ऋण के लिए एक कमजोर उधारकर्ता हो सकता है, क्योंकि इसके पास नकदी भंडार बड़े ऋण को कवर करने के लिए पर्याप्त नहीं है। यह संवेदनशीलता कोई दोष नहीं बल्कि एक विशेषता है, जो इस वास्तविकता को दर्शाती है कि उधारकर्ता की पुनर्भुगतान करने की क्षमता उसके द्वारा लिए गए ऋण के सापेक्ष होती है। अध्ययन ने आगे दिखाया कि विभिन्न जोखिम कारक स्वतंत्र रूप से कार्य करते हैं। एक उधारकर्ता का रिकॉर्ड नकदी हाथ में रखने के मामले में एकदम सही हो सकता है, फिर भी उसे इसलिए खारिज किया जा सकता है क्योंकि उसका बैलेंस हाल ही में एक बड़े प्रतिशत तक गिर गया है, जो अस्थिरता का संकेत देता है। एक अन्य उधारकर्ता का बैलेंस स्थिर हो सकता है लेकिन वह इसलिए विफल हो सकता है क्योंकि उसके पास नियमित आय का कोई इतिहास नहीं है। सिस्टम इन मामलों को अलग-अलग, गैर-परस्पर परिवर्तनीय मानदंडों के रूप में मानता है, जिससे यह सुनिश्चित होता है कि किसी भी एक कमजोरी को अनदेखा न किया जाए।
यह सुनिश्चित करने के लिए कि सिस्टम वास्तविक दुनिया में सही ढंग से काम करे, शोधकर्ताओं ने इसे अत्यधिक सटीकता के साथ बनाया है। उन्होंने इस तर्क को दो अलग-अलग कंप्यूटर भाषाओं में लागू किया और सत्यापित किया कि दोनों संस्करण दशमलव के सबसे छोटे स्थान तक समान परिणाम देते हैं। इस कठोर परीक्षण ने पुष्टि की कि बैलेंस, अस्थिरता और जोखिम की गणना करने के गणितीय नियम लगातार लागू किए गए थे। यह सिस्टम पहले से ही लाइव है, तीसरे पक्ष के ऋण अनुप्रयोगों (lending applications) में एकीकृत है जहाँ यह वास्तविक ऋणों पर वास्तविक समय में निर्णय लेता है। सार्वजनिक लेनदेन की एक अराजक धारा को दैनिक तरलता (liquidity) की एक स्पष्ट तस्वीर में बदलकर, यह ढांचा बिना किसी कोलेटरल (collateral) के ऋण देने का एक तरीका प्रदान करता है, जो इसके बजाय इस बात के व्यवहार संबंधी साक्ष्य पर निर्भर करता है कि एक उधारकर्ता अपने पैसे का प्रबंधन दिन-प्रतिदिन कैसे करता है। यह कार्य प्रदर्शित करता है कि इतिहास के सही पुनर्निर्माण के साथ, केवल सार्वजनिक डेटा से ऋण योग्यता का अनुमान लगाना संभव है, जो एक अधिक समावेशी और डेटा-संचालित वित्तीय प्रणाली की ओर मार्ग प्रशस्त करता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।