zLend: A Dual-Scope Cash-Flow Reconstruction Framework for On-Chain Credit Underwriting
Este artigo apresenta o zLend, um framework de subscrição de crédito on-chain implantado que reconstrói históricos de fluxo de caixa de carteiras por meio de uma análise de escopo duplo de transferências de stablecoins e de totais fungíveis para gerar sinais distintos de liquidez e capacidade de reembolso, permitindo a avaliação de risco sem a verificação de renda tradicional.
Artigo original dedicado ao domínio público sob CC0 1.0 (http://creativecommons.org/publicdomain/zero/1.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
No mundo das finanças digitais, o dinheiro circula através de livros contábeis públicos que registram cada transferência, mas esses registros muitas vezes contam apenas uma história parcial. Os bancos tradicionais dependem de birôs de crédito para julgar a capacidade de um tomador de empréstimo de pagar suas dívidas, utilizando renda verificada, histórico de dívidas passadas e uma pontuação que agrega o comportamento em diversos credores. No mundo descentralizado das moedas digitais, não existe tal birô. Um tomador de empréstimo não possui um arquivo de crédito, um contracheque verificado ou um registro de empréstimos anteriores. Tudo o que está disponível é um log permanente e público de transações. Durante anos, a única maneira de julgar um tomador de empréstimo neste espaço era observar sua riqueza total: a soma de todos os ativos digitais que ele possuía. Essa abordagem, no entanto, sofre de uma falha fundamental. Ela trata todo o dinheiro como igual, ignorando a diferença entre o dinheiro em espécie pronto para ser gasto e os ativos que estão bloqueados, são voláteis ou difíceis de vender. Uma pessoa que detém uma grande quantidade de um token especulativo pode parecer rica no papel, mas se esse token perder valor drasticamente ou não puder ser vendido rapidamente, ela pode não ter capacidade real de pagar um pequeno empréstimo devido na próxima semana.
Uma equipe de pesquisadores desenvolveu um novo sistema chamado zLend para resolver este problema, olhando para o fluxo de dinheiro em vez de apenas o montante total. Em vez de simplesmente somar o conteúdo de uma carteira, o sistema reconstrói um histórico diário do que aquela carteira poderia realmente gastar. Ele faz isso rastreando cada transferência de entrada e saída para construir uma linha do tempo do saldo da carteira, dia após dia. Os pesquisadores perceberam que, para entender a verdadeira capacidade de pagamento de um tomador de empréstimo, precisavam observar a carteira através de duas lentes diferentes simultaneamente. A primeira lente foca apenas em stablecoins, que são moedas digitais projetadas para manter um valor constante, como o dólar. A segunda lente observa o portfólio completo da carteira, incluindo todos os outros tokens e ativos. Ao comparar essas duas visões, o sistema consegue detectar discrepâncias perigosas. Se uma carteira mostra um valor total massivo, mas quase nenhuma stablecoin, o sistema reconhece que o tomador de empréstimo provavelmente será incapaz de pagar um empréstimo em dinheiro, independentemente de quão rico ele pareça no papel.
Os pesquisadores construíram este framework para operar inteiramente com dados públicos, sem a necessidade de informações externas ou aprovação humana. Eles criaram um método para transformar uma lista bruta de transferências em um registro contínuo e limpo de saldos diários. Esta reconstrução começa do zero, inferindo o saldo inicial da carteira com base nas primeiras transações e garantindo que o saldo nunca fique abaixo de zero. A partir deste histórico reconstruído, o sistema calcula vários sinais fundamentais. Ele mede a frequência com que a carteira possuía stablecoins suficientes para cobrir um determinado valor de empréstimo, a constância dos fluxos de renda e o quanto o saldo caiu durante seus períodos de pior desempenho. O sistema também busca padrões que se assemelham a um salário, como pagamentos regulares chegando da mesma fonte em intervalos consistentes. Esses sinais são então combinados para atribuir o tomador de empréstimo a um nível específico, variando de forte a fraco, o que determina sua elegibilidade para um empréstimo.
O achado mais crítico do estudo é que olhar apenas para a riqueza total é um preditor ruim da capacidade de pagamento. Os pesquisadores testaram seu sistema contra um conjunto de exemplos cuidadosamente construídos, incluindo uma carteira que detinha uma grande soma de ativos voláteis, mas muito pouco dinheiro vivo. Sob um sistema tradicional que verifica apenas o valor total, esta carteira pareceria um excelente tomador de empréstimo. Sob o novo sistema zLend, ela foi corretamente classificada como de alto risco porque suas reservas líquidas eram insuficientes para cobrir mesmo um pequeno empréstimo. O sistema identificou com sucesso que a riqueza do tomador não estava acessível para o pagamento. Por outro lado, o sistema também reconheceu carteiras com riqueza total modesta, mas com um fluxo constante e confiável de stablecoins, como candidatos fortes. Essa abordagem de visão dupla permite que o sistema distinga entre alguém que é verdadeiramente solvente e alguém que está apenas detendo ativos que não podem ser usados para pagar uma conta.
Os pesquisadores também descobriram que a decisão de conceder um empréstimo depende fortemente do tamanho do empréstimo solicitado. Uma carteira pode ser considerada um tomador de empréstimo forte para um pequeno empréstimo de dez dólares, mas um tomador fraco para um empréstimo de dez mil dólares, simplesmente porque suas reservas de caixa não são grandes o suficiente para cobrir o montante maior. Essa sensibilidade não é uma falha, mas uma característica, refletindo a realidade de que a capacidade de um tomador de pagar é relativa à dívida que ele está assumindo. O estudo também mostrou que diferentes fatores de risco operam de forma independente. Um tomador pode ter um registro perfeito de possuir dinheiro suficiente em mãos, mas ainda assim ser rejeitado porque seu saldo caiu recentemente por uma porcentagem grande, indicando instabilidade. Outro tomador pode ter um saldo estável, mas falhar por não possuir um histórico de renda regular. O sistema trata esses critérios como separados e não intercambiáveis, garantindo que nenhuma fraqueza individual seja negligenciada.
Para garantir que o sistema funcione corretamente no mundo real, os pesquisadores o construíram com extrema precisão. Eles implementaram a lógica em duas linguagens de programação diferentes e verificaram que ambas as versões produziam resultados idênticos até a menor casa decimal. Esses testes rigorosos confirmaram que as regras matemáticas para calcular saldo, volatilidade e risco foram aplicadas de forma consistente. O sistema já está operando, integrado a aplicações de empréstimo de terceiros, onde toma decisões em tempo real sobre empréstimos reais. Ao transformar um fluxo caótico de transações públicas em uma imagem clara de liquidez diária, o framework oferece uma maneira de estender o crédito sem garantia, baseando-se, em vez disso, na evidência comportamental de como um tomador gere seu dinheiro dia após dia. O trabalho demonstra que, com a reconstrução correta do histórico, é possível inferir a solvência a partir de dados públicos, oferecendo um caminho para um sistema financeiro mais inclusivo e baseado em dados.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.