기술 요약: zLend – 온체인 신용 심사를 위한 이중 범위 현금 흐름 재구성 프레임워크

문제 정의

탈중앙화 금융(DeFi)에는 고유한 신용 평가국(Credit Bureau)이 결여되어 있다. 소득 검증, 부채 기록, 신용 점수에 의존하는 전통적인 심사와 달리, 온체인 대출은 오직 공개된 토큰 전송 로그로부터 차입자의 상환 능력을 추론해야 한다. 기존의 접근 방식들은 총 지갑 가치를 신용도와 동일시하는 경향이 있다. 본 논문은 이러한 대체가 두 가지 구별되는 경제적 양을 혼동하기 때문에 구조적으로 결함이 있다고 주장한다. 즉, 채무 상환을 위해 즉시 유동화할 수 있는 자본과, 차입자가 소비할 의도가 없는 변동성 높거나 비유동적인 자산에 보유한 자본을 혼동하고 있다는 것이다. 결과적으로, 거버넌스 토큰에는 상당한 가치를 보유하고 있으나 스테이블코인은 미미한 지갑이, 적지만 유동적인 자산을 보유한 지갑보다 훨씬 더 높은 신용도를 가진 것으로 잘못 분류되는 문제가 발생한다.

방법론

zLند(zLend)는 노이즈가 아닌 주요 리스크 신호로서 두 범위 간의 괴리를 활용하여, 원시 토큰 전송 데이터로부터 지갑의 일일 잔액 이력을 재구성함으로써 이 문제를 해결한다.

1. 이중 범위 잔액 재구성 (Dual-Scope Balance Reconstruction)

본 프레임워크는 동일한 토큰 전송 집합($T_w$)을 두 가지 별도의 필터를 통해 처리한다.

• 스테이블코인 범위 ($sc$): 고정된 15종의 스테이블코인 바스켓(예: USDC, USDT, DAI)으로 분석을 제한한다. 이는 가격 위험 없이 상환에 투입 가능한 자본을 근사한다.
• 총자산 범위 ($tw$): USD 가치가 0이 아닌 모든 가용성 전송을 포함하여, 지갑의 전체 경제적 발자취를 포착한다.

재구성 알고리즘:
온체인 데이터는 절대적인 잔액이 아닌 흐름(flow)만을 제공하므로, 시스템은 누적 순유입(cumulative net-flow) 방식을 사용하여 잔액 시계열을 구축한다. 시스템은 각 날짜의 순유입($\nu$)을 계산하고, 잔액이 0 미만으로 떨어지지 않도록 하는 최소 비음수 오프셋($\omega_\sigma$)을 결정한다. 이 오프셋은 관측된 이력과 일치하는 가장 낮은 개시 잔액을 나타낸다. 결과물인 시계열은 연속적인 달력 스파인(calendar spine) 위에 투영되며, 전송이 없는 날에는 잔액을 전방 채우기(forward-filling) 방식으로 보정한다.

2. 신호 도출 (Signal Derivation)

재구성된 일일 잔액 시계열로부터, 이동 창(rolling window, 30, 60, 90일)에 걸쳐 다음과 같은 일련의 통계량을 도출한다:

• 유동성 커버리지 (Liquidity Coverage): 잔액이 참조 대출 규모($L$) 또는 동적 임계값(90일 중앙값)을 초과하는 날의 비율.
• 현금 흐름 규칙성 (Cash-Flow Regularity): 전송 타이밍과 간격을 기반으로 한 반복적인 거래 상대방 및 소득 형태의 케이던스(예: 주간/월간 지급) 탐지.
• 리스크 지표 (Risk Metrics): 최대 낙폭(최고점 대비 최저점 하락), 회복 시간, 잔액 0 발생 이벤트, 단일 일자 유출 집중도.
• 추세 분류 (Trend Classification): 시간 경과에 따른 순유입의 회귀 분석을 통해 지갑의 궤적을 증가, 감소 또는 평탄함으로 분류.

3. 범위 간 비교 및 등급 할당 (Cross-Scope Comparison and Tier Assignment)

핵-혁신은 두 범위 간의 비교에 있다. 두 범위 사이의 괴리는 유동성 또는 흐름의 불일치로 해석된다:

• 유동성 불일치 (Liquidity Mismatch): 총자산은 높으나 스테이블코인 보유량이 참조 대출 규모를 거의 충족하지 못할 때 발생한다.
• 흐름 불일치 (Flow Mismatch): 유입되는 자금이 압도적으로 비-스테이블코인일 때 발생한다.

이러한 불일치는 심각도(낮음, 중간, 높음)에 따라 등급이 매겨진다. 최종 언더라이팅 신호는 스테이블코인 범위를 중심으로 도출된 4단계 할당(Strong, Moderate, Weak, Insufficient)이며, 총자산 범위로부터 얻은 병렬적 맥락 신호에 의해 보완된다. 맥락 신호는 기본 등급을 수식(qualify)하지만, 절대로 기본 등급을 뒤집을 수 없다.

주요 기여

1. 공식 명세 (Formal Specification): 정렬되지 않은 전송 데이터로부터 비음수 오프셋을 활용하여, 지갑의 개시 잔액에 대한 사전 지식 없이도 이중 범위 일일 잔액을 재구성하는 엄격한 정의를 제시한다.
2. 신호 제품군 (Signal Family): 재구성된 시계열로부터 도출된 유동성, 현금 흐로, 리스크 통계량의 포괄적인 세트와 온체인 데이터에 적응된 반복 거래 상대방 탐지기를 포함한다.
3. 교차 범위 로직 (Cross-Scope Logic): 총자산 보유량과 유동성 예비비 사이의 괴리를 등급화된 언더라이팅 신호로 변환하는 메커니즘을 통해, 총가치 스크리닝이 놓칠 수 있는 지갑을 정확히 포착하도록 설계되었다.
4. 검증된 구현 (Verified Implementation): Python으로 구현되어 TypeScript로 포팅된 프로덕션 수준의 파이프라인을 제공한다. 마이그레이션 과정은 합계, 분산 및 반올림 의미론의 정확한 복제를 보장하기 위해 "골든 마스터(golden-master)" 참조 모델과 비교하여 $10^{-9}$의 수치적 허용 오차 내에서 검증되었다.
5. 민감도 분석 (Sensitivity Analysis): 배포된 시스템의 참조 픽스처(fixtures)를 사용하여 독립적으로 재구현함으로써 결정 표면(decision surface)의 특성을 규명하고, 등급 할당이 특정의 비중복적 기준에 의해 제어됨을 입증하였다.

결과 및 발견

본 논문은 특정 운영 체제(regimes)를 포괄하도록 설계된 6개의 합성 참조 지갑을 사용하여 민감도 분석을 제시한다:

• 대출 규모 민감도: 등급 할당은 참조 대출 규모($L$)에 매우 민민감하다. 6개 테스트 지갑 중 4개가 $L$이 $10에서$25,000로 변함에 따라 등급이 변경되었다. 저자들은 $L$이 단순한 튜닝 상수가 아니라 제품 범위(product scope)에 대한 선언이라고 결론지었다.
• 기준의 비중복성 (Non-Redundancy of Criteria): 분석 결과, 유동성 커버리지와 최대 낙폭은 서로 다른 지갑 집합에서 결합됨을 확인했다. 어떤 지갑은 완벽한 커버리지를 갖추었더라도 낙폭(예: 심각한 95% 낙폭 후 회복)에서 실패할 수 있으며, 그 반대의 경우도 존재한다. 이는 두 지표를 모두 유지해야 할 필요성을 입증한다.
• 불일치 탐지 (Mismatch Detection): 교차 범위 불일치 플래그는 매개변수에 대해 실제적인 민감도를 보인다. 예를 들어, 총자산이 $270,000이지만 스테이블코인 잔액이$40를 넘지 않는 지갑은 "높음(High)" 심각도의 유동성 불일치를 트리거하며, 이는 총가치 스크리닝이 놓칠 수 있는 리스크를 정확히 포착한다.
• 프로덕션 배포: 본 프레임워크는 현재 API를 통해 제3자 대출 애플리케이션에 통합되어 실시간 대출 결정에 활용되고 있다.

의의 및 주장

본 논문은 zLend를 오프라인 언더라이터, 스테이킹된 백커(backer), 또는 감정된 담보에 의존하지 않고, 오직 공개된 온체인 이력만을 사용하여 신용도를 계산하는 방법론으로 정의한다.

저자들은 본 프레임워크의 의의가 **부(wealth)**와 **상환 능력(repayment capacity)**을 구분하는 능력에 있다고 주장한다. 총자산과 유동성 예비비 사이의 괴리를 하나의 신호로 취급함으로써, zLend는 총가치 스크리닝의 구조적 실패를 피한다. 프로덕션 코드의 엄격한 검증과 결정 표면에 대한 민감도 분석은 금융 애플리케이션이 이러한 신호를 신뢰할 수 있는 데 필요한 확신을 제공한다. 본 논문은 이 접근 방식이 대출을 인간 언더라이터가 평가하는 부분 집합으로 제한하는 것이 아니라, 충분한 전송 이력을 가진 모든 주소에 대해 언더라이팅을 계산 가능한 영역으로 만든다고 주장한다.

본 연구는 미래의 이론적 확장을 제안하기보다는, 이미 배포된 시스템의 명세와 정당성을 기술하고 그 결정 표면을 특성화하는 데 목적이 있다.