zLend: A Dual-Scope Cash-Flow Reconstruction Framework for On-Chain Credit Underwriting
Questo articolo presenta zLend, un framework di sottoscrizione del credito on-chain implementato che ricostruisce le cronologie dei flussi di cassa dei wallet attraverso un'analisi a doppio ambito dei trasferimenti di stablecoin e del totale dei trasferimenti fungibili per generare distinti segnali di liquidità e di capacità di rimborso, consentendo la valutazione del rischio senza la tradizionale verifica del reddito.
Articolo originale dedicato al pubblico dominio sotto CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo della finanza digitale, il denaro si muove attraverso registri pubblici che registrano ogni trasferimento, eppure questi record raccontano spesso solo una storia parziale. Le banche tradizionali si affidano alle centrali di rischio per giudicare la capacità di un mutuatario di rimborsare, utilizzando il reddito verificato, lo storico dei debiti passati e un punteggio che aggrega il comportamento attraverso molti prestatori. Nel mondo decentralizzato delle valute digitali, non esiste una tale centrale di rischio. Un mutuatario non ha un fascicolo di credito, non ha uno stipendio verificato e non ha una registrazione di prestiti passati. Tutto ciò che è disponibile è un registro permanente e pubblico di transazioni. Per anni, l'unico modo per giudicare un mutuatario in questo spazio era guardare la sua ricchezza totale: la somma di ogni asset digitale in suo possesso. Questo approccio, tuttavia, soffre di un difetto fondamentale. Tratta tutto il denaro come uguale, ignorando la differenza tra contanti pronti per essere spesi e asset che sono bloccati, volatili o difficili da vendere. Una persona che detiene una grande quantità di un token speculativo potrebbe apparire ricca sulla carta, ma se quel token crolla di valore o non può essere venduto rapidamente, potrebbe non avere la reale capacità di rimborsare un piccolo prestito in scadenza la settimana successiva.
Un team di ricercatori ha sviluppato un nuovo sistema chiamato zLend per risolvere questo problema, guardando al flusso di denaro piuttosto che solo all'importo totale. Invece di sommare semplicemente il contenuto di un portafoglio, il sistema ricostruisce una cronologia giornaliera di ciò che quel portafoglio potrebbe effettivamente spendere. Lo fa tracciando ogni trasferimento in entrata e in uscita per costruire una linea temporale del saldo del portafoglio, giorno per giorno. I ricercatori si sono resi conto che, per comprendere la reale capacità di rimborso di un mutuatario, dovevano osservare il portafoglio attraverso due lenti diverse simultaneamente. La prima lente si concentra solo sulle stablecoin, ovvero valute digitali progettate per mantenere un valore costante, come il dollaro. La seconda lente osserva l'intero portafoglio del wallet, inclusi tutti gli altri token e asset. Confrontando queste due visioni, il sistema può individuare discrepanze pericolose. Se un portafoglio mostra un valore totale massiccio ma quasi nessuna stablecoin, il sistema riconosce che il mutuatario è probabilmente incapace di rimborsare un prestito in contanti, indipendentemente da quanto appaia ricco sulla carta.
I ricercatori hanno costruito questo framework per operare interamente su dati pubblici, senza necessitare di alcuna informazione esterna o approvazione umana. Hanno creato un metodo per prendere un elenco grezzo di trasferimenti e trasformarlo in un record pulito e continuo di saldi giornalieri. Questa ricostruzione parte da zero, inferendo il saldo iniziale del portafoglio in base alle prime transazioni e assicurando che il saldo non scenda mai sotto lo zero. Da questa cronologia ricostruita, il sistema calcola diversi segnali chiave. Misura quanto spesso il portafoglio ha avuto abbastanza stablecoin per coprire un determinato importo di prestito, quanto siano costanti i flussi di reddito e di quanto sia sceso il saldo durante i suoi periodi peggiori. Analizza anche schemi che assomigliano a uno stipendio, come pagamenti regolari che arrivano dalla stessa fonte a intervalli costanti. Questi segnali vengono poi combinati per assegnare un mutuatario a un livello specifico, che va da forte a debole, determinando la sua idoneità a un prestito.
Il risultato più critico dello studio è che guardare solo alla ricchezza totale è un cattivo predittore della capacità di rimborso. I ricercatori hanno testato il loro sistema contro un insieme di esempi accuratamente costruiti, incluso un portafoglio che deteneva una grande somma di asset volatili ma pochissimo contante. Sotto un sistema tradizionale che controlla solo il valore totale, questo portafoglio apparirebbe come un eccellente mutuatario. Sotto il nuovo sistema zLend, veniva correttamente segnalato come ad alto rischio perché le sue riserve liquide erano insufficienti a coprire anche un piccolo prestito. Il sistema aveva identificato con successo che la ricchezza del mutuatario non era accessibile per il rimborso. Al contrario, il sistema ha anche riconosciuto portafogli con una ricchezza totale modesta ma un flusso costante e affidabile di stablecoin come candidati solidi. Questo approccio a doppia visione permette al sistema di distinguere tra qualcuno che è realmente solvibile e qualcuno che detiene semplicemente asset che non possono essere utilizzati per pagare un conto.
I ricercatori hanno anche scoperto che la decisione di concedere un prestito dipende fortemente dalla dimensione del prestito richiesto. Un portafoglio potrebbe essere considerato un mutuatario forte per un piccolo prestito di dieci dollari ma un mutuatario debole per un prestito di diecimila dollari, semplicemente perché le sue riserve di contanti non sono abbastanza grandi per coprire l'importo maggiore. Questa sensibilità non è un difetto ma una caratteristica, che riflette la realtà secondo cui la capacità di rimborso di un mutuatario è relativa al debito che sta assumendo. Lo studio ha inoltre dimostrato che diversi fattori di rischio operano in modo indipendente. Un mutuatario potrebbe avere un record perfetto di disponibilità di contanti, ma essere comunque rifiutato perché il suo saldo è recentemente crollato di una percentuale elevata, indicando instabilità. Un altro mutuatario potrebbe avere un saldo stabile ma fallire perché non ha una storia di reddito regolare. Il sistema tratta questi come criteri separati e non intercambiabili, assicurando che nessuna singola debolezza venga trascurata.
Per garantire che il sistema funzioni correttamente nel mondo reale, i ricercatori lo hanno costruito con estrema precisione. Hanno implementato la logica in due diversi linguaggi informatici e hanno verificato che entrambe le versioni producessero risultati identici fino al più piccolo decimale. Questo rigoroso test ha confermato che le regole matematiche per il calcolo del saldo, della volatilità e del rischio sono state applicate in modo coerente. Il sistema è già attivo, integrato in applicazioni di prestito di terze parti dove prende decisioni in tempo reale su prestiti reali. Trasformando un flusso caotico di transazioni pubbliche in un quadro chiaro di liquidità giornaliera, il framework offre un modo per estendere il credito senza collaterale, basandosi invece sull'evidenza comportamentale di come un mutuatario gestisce il proprio denaro giorno dopo giorno. Il lavoro dimostra che, con la giusta ricostruzione della storia, è possibile inferire l'affidabilità creditizia da soli dati pubblici, offrendo una via verso un sistema finanziario più inclusivo e basato sui dati.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.