Leveraging Large Language Models to Bridge Cross-Domain Transparency in Stablecoins

1. 연구 배경 및 문제 정의 (Problem)

• 배경: 스테이블코인 (USDT, USDC 등) 은 암호화폐의 변동성과 법정통화의 안정성을 연결하는 핵심 역할을 하지만, 최근 TerraUSD 붕괴 및 Ethena USD 디페그 (depegging) 사건 등으로 인해 그 취약성과 투명성 부족이 드러났습니다.
• 핵심 문제: 스테이블코인의 투명성은 이질적인 데이터 소스 간에 단편화되어 있습니다.
  • 양적 데이터: 블록체인 상의 발행/소각 기록, 유통량, 시가총액 등은 공개되지만, 여러 체인에 분산되어 있어 직접 검증이 어렵습니다.
  • 질적 데이터: 발행사의 준비금 증명서 (Attestation), 재무제표, 공시 문서는 PDF 나 비정형 텍스트로 제공되어 자동화된 파싱이 어렵고, 양적 데이터와 시간적/세밀도 (granularity) 측면에서 정합성이 떨어집니다.
• 연구 격차: 기존 연구는 주로 블록체인 상의 관찰 가능한 활동에 집중하거나, 발행사 공시를 보조 자료로만 취급했습니다. 양적 발행 증거와 질적 공시 문서를 자동으로 통합하여 의미론적 (semantic) 으로 정렬하는 체계적인 프레임워크가 부재했습니다.

2. 제안된 방법론 (Methodology)

저자들은 **대규모 언어 모델 (LLM)**을 활용한 자동화 프레임워크를 제안하며, 이는 세 가지 모듈로 구성됩니다.

가. 모듈 I: 데이터 수집 (Data Collection)

• 양적 데이터: CoinGecko 를 통해 USDT 와 USDC 의 일별 시가총액, 가격, 거래량 등 유통 지표 수집 (2022 년 1 월 ~ 2024 년 1 월).
• 질적 데이터: Tether 와 Circle 의 공식 투명성 포털에서 발행된 준비금 증명서, 재무 공시, 미디어 보도 등 비정형 문서 수집.

나. 모듈 II: MCP(Model Context Protocol) 통합 (MCP Unification)

• 목적: 이질적인 데이터 소스 (시장 지표, 발행사 공시, 텍스트 아카이브) 에 대한 표준화된 접근 인터페이스 제공.
• 기능:
  • 모든 데이터를 공통의 시간 축 (Temporal Axis) 에 맞춰 정규화 및 타임스탬프 처리.
  • Market Class: 일별 가격 스냅샷 (Price, Volume, Cap) 을 제공하는 정형화된 엔드포인트.
  • Textual Class: 날짜 범위에 따른 미디어 요약 및 특정 URL 의 전체 문서 접근을 제공하는 엔드포인트.
  • 특징: 상태 비저장 (Stateless) 및 결정론적 (Deterministic) 출력 보장으로 재현 가능한 분석 환경 구축.

다. 모듈 III: LLM 분석적 종합 (LLM Analytical Synthesis)

• 모델: GPT-5를 분석 엔진으로 사용 (40 만 토큰의 컨텍스트 창을 활용해 긴 증명서와 거래 로그를 동시에 처리).
• 멀티 에이전트 아키텍처:
  1. Disclosure Agent: 발행사 보고서에서 구조화된 준비금 및 부채 지표를 추출 및 정규화.
  2. Event Agent: 공시 날짜를 중심으로 전후 3 일 (총 7 일) 의 시장 및 체인 데이터를 수집하여 컨텍스트 구축.
  3. Analysis Agent: 두 에이전트의 결과를 통합하여 준비금 불일치, 이상 징후, 상관관계를 평가하고 '정상 (Normal)', '의심 (Suspicious)', '비정상 (Abnormal)'으로 분류.
• 작동 방식: Thought $\rightarrow$ Code $\rightarrow$ Observation $\rightarrow$ Finalize 의 4 단계 추론 사이클을 통해 자동화된 코드 실행 및 데이터 통합 수행.

3. 주요 기여 (Key Contributions)

1. 통합 프레임워크 제안: LLM 을 사용하여 발행사 공시와 시장 유통 데이터를 의미론적으로 정렬하고, 이질적인 정보 소스를 통합하는 새로운 분석 체계 제시.
2. MCP 아키텍처 도입: 양적 (시장 데이터) 과 질적 (공시 문서) 데이터를 표준화된 방식으로 LLM 이 접근하고 추론할 수 있게 하는 모델 컨텍스트 프로토콜 설계.
3. 교차 영역 분석 능력 입증: 블록체인 분석과 자연어 처리를 결합하여 보고된 유통량과 관찰된 유통량 간의 불일치를 정량화하고, 이것이 투명성과 가격 동역학에 미치는 영향을 규명.

4. 실험 결과 (Empirical Results)

USDT 와 USDC 에 대한 2022~2024 년 데이터 분석을 통해 다음과 같은 결과를 도출했습니다.

• USDT (Tether):
  • 특징: 압도적인 시장 규모와 유동성 우위. 하지만 공시 주기가 불규칙하고 (분기별), 감사 투명성이 낮음.
  • 결과: 준비금 커버리지 비율은 높으나 (1.00~1.06), 공시 시점과 시장 변동성 (거래량 급증 등) 간의 시차로 인해 2022 년 5 월 (Terra 붕괴 시기) 에 '비정상 (Abnormal)'으로 분류됨. 유동성 심층이 안정성을 지탱하지만, 정보 투명성은 상대적으로 낮음.
• USDC (Circle):
  • 특징: 규모는 USDT 보다 작으나, Grant Thornton 에 의한 정기적인 월간 증명과 높은 투명성.
  • 결과: 준비금과 유통량의 정합성이 매우 높음. 2023 년 3 월 SVB 붕괴 사건 시 일시적 디페그가 발생했으나, 신속한 공시와 규제 당국의 보증으로 빠르게 회복. 전반적으로 '정상' 분류가 우세하며, 정보 불확실성이 낮음.
• 주요 사건 분석:
  • 2022 년 5 월 (Terra Collapse): USDT 가 디페그 위기 시, LLM 은 공시 언어의 유동성 강조와 실제 peg 회복 사이의 시간적 불일치를 포착.
  • 2023 년 3 월 (SVB Crisis): USDC 의 준비금 중 SVB 예치 비율 공개로 인한 디페그 발생 시, LLM 은 발행사 공시와 거래 흐름 (Mint/Burn) 의 불일치를 정확히 식별하고, 불안정성이 토큰 시스템 내부가 아닌 **거래처 집중도 (Counterparty Concentration)**에서 기인함을 규명.

5. 의의 및 결론 (Significance)

• DeFi 감사 자동화: 수동으로 수행되던 복잡한 준비금 증명서 검토를 자동화하여, 규제 기관과 투자자가 발행사의 주장을 관찰 가능한 증거와 실시간으로 비교할 수 있는 도구 제공.
• 투명성 패러다임 전환: 스테이블코인의 안정성이 단순히 '유동성 깊이'에만 의존하는 것이 아니라, '제도화된 투명성 (Institutionalized Transparency)'에 의해서도 유지될 수 있음을 입증.
• 향후 방향: 비정형 데이터 추출의 정확도 향상, 실시간 스트리밍 데이터 통합, 그리고 복잡한 시장 역학을 포착할 수 있는 적응형 학습 모델 도입이 필요함.

이 연구는 LLM 을 활용하여 블록체인 데이터와 비정형 금융 문서를 연결함으로써, 분산 금융 (DeFi) 생태계의 신뢰성을 높이는 새로운 감사 및 모니터링 패러다임을 제시했다는 점에서 의의가 큽니다.