Buscar New｜Konomi: Liquidez y protocolo de mercado monetario para activos de cadena cruzada

"Find New" es un proyecto de observación de proyectos de blockchain lanzado por Jinse Finance. Cubre el desarrollo de proyectos en varios campos de la industria, y el diseño específico incluye una descripción general del proyecto, el progreso tecnológico, la situación de recaudación de fondos, etc., y se esfuerza por presentarle una colección de proyectos populares y de moda. .

¿Qué es Konomi?

La red Konomi utiliza Substrate como marco de desarrollo y tiene como objetivo proporcionar un mercado de divisas para activos en el ecosistema de Polkadot. Los usuarios pueden pedir prestado, comerciar y obtener liquidez con DOT a través del acuerdo. Konomi también emite tokens para permitir la liquidez y la gobernanza descentralizada de su cadena. Konomi primero construirá una red de prueba independiente, luego participará en la subasta de kusama parachain y la subsiguiente subasta de polkadot parachain. El proyecto está motivado por el hecho de que la infraestructura de préstamos en Polkadot actualmente tiene ofertas limitadas, pero es una parte importante del ecosistema general.

Implementación de productos de Konomi

Konomi ha desarrollado su propia plataforma de préstamos a través del ecosistema Polkadot para resolver los problemas y deficiencias existentes de las plataformas de préstamos tradicionales. Polkadot es una plataforma basada en Substrate que es más flexible cuando se realizan transacciones dentro de la protección de la seguridad compartida y tiene requisitos de entrada relativamente bajos para los usuarios generales.

En comparación con el rápido desarrollo de DeFi en Ethereum, el ecosistema DeFi de Polkadot aún está en pañales, con un potencial ilimitado. Como proyecto de préstamo descentralizado, Konomi considera que la seguridad de todos los activos de los usuarios es la máxima prioridad. Con el fin de garantizar que todos los usuarios estén bien protegidos, Konomi adopta de manera innovadora el método de combinar modelos matemáticos con evidencia empírica de la teoría económica y agrega variables de reconciliación respaldadas por datos empíricos al modelo matemático, convirtiéndose en el pionero de la teoría integrada y la evidencia empírica en la industria

Modelo de Hipoteca y Liquidación KONOMI

El modelo de liquidación de Konomi se ha sometido a una rigurosa derivación matemática y pruebas empíricas de datos históricos. El equipo realizó un análisis empírico de la economía utilizando datos históricos de alta frecuencia de varios años de tres bolsas principales (Binance, Huobi y OKEX). Dada la periodicidad de los precios de las criptomonedas y los eventos del "cisne negro", nuestras conclusiones demostraron coincidir con las expectativas iniciales del equipo. Con sólidas capacidades de investigación y pruebas constantes, podemos decir con seguridad que incluso en casos extremos, el modelo puede proteger los derechos legales de los comerciantes en préstamos y préstamos.

Identificación de Factores en Modelos Hipotecarios y de Liquidación

Basado en el estándar promedio de las finanzas tradicionales, la teoría de precios de arbitraje y los modelos multifactoriales, y considerando la alta volatilidad de las criptomonedas en esta etapa, los altos riesgos de cola y las grandes diferencias en el volumen de transacciones entre las monedas, el equipo propuso un modelo innovador para determinar varios factores en los modelos de garantía y liquidación en esta plataforma.

Introducción a los métodos de selección de factores

En los mercados financieros tradicionales, la selección de factores incluye factores fundamentales (valor, flujo de caja, rentabilidad, etc.) y factores técnicos (índice de impulso, CYE, etc.). Sin embargo, la naturaleza no pública de las criptomonedas y su alta volatilidad conducen a una falta de información relacionada con los fundamentos. Por lo tanto, el modelo utiliza factores técnicos en la etapa inicial de establecimiento y los divide en 8 tipos de factores, incluidos el índice BRAR, el índice de distribución variable, el índice de movimiento direccional, el índice de volumen, el índice de movimiento direccional inverso y el índice de fuerza relativa:

El índice de movimiento direccional incluye ACD, BBI, BIAS, etc.;

El índice de movimiento inverso incluye CCI, KDJ, etc.;

El índice BRAR incluye ARBR, CR, VR, etc.;

Los índices de volumen incluyen: PSY, VOSC, VSTD, etc.

Otra información relevante

El equipo llevó a cabo un riguroso análisis empírico basado en el modelo de fijación de precios básico descrito anteriormente para determinar los factores específicos que se utilizarán para cada moneda y sus respectivos pesos.

Los datos utilizados por el modelo son datos comerciales de alta frecuencia (0,5 milisegundos por día) para cada moneda durante los últimos tres años (si la moneda ha existido durante tres años, la fecha elegida es el primer día de negociación el 10 de enero de 2021 ). Los métodos que se utilizarán incluyen OLS, 2OLS, modelos de estimación mixtos y gráficos de conocimiento para construir un índice sistemático de rendimientos cuantitativos para cada moneda.

La selección de factores es la parte central del modelo. Dado que la construcción de un modelo con demasiados factores puede dañar la interpretabilidad del modelo, el modelo debe seleccionar solo los factores clave y mantener los factores lo más bajo posible. Los métodos de regresión y los algoritmos de clasificación se usan comúnmente para la selección de factores, pero dados los desarrollos recientes en el mercado de criptomonedas y el número limitado de estudios empíricos relevantes, en este caso se eligieron los métodos de regresión.

Este método se divide en dos partes principales. Primero, pruebe y verifique la efectividad de los factores que afectan los rendimientos de los activos y luego elimine los factores efectivos pero relativamente redundantes.

Modelo de innovación y contribución

Nuestro equipo cree que este modelo tiene el potencial de hacer contribuciones significativas de las siguientes maneras.

Rompe la teoría de solo matemáticas y solo modelos en el modelado tradicional de proyectos Defi. Los programas de préstamo de criptomonedas a menudo se basan únicamente en modelos matemáticos para describir los roles de los participantes. Sin embargo, debido a factores como su desarrollo tardío, datos históricos insuficientes e inexperiencia de los practicantes y comerciantes, la mayoría de los modelos aún carecen de poder explicativo frente a eventos extremos como los "cisnes negros". Como resultado, tanto los inversores como la plataforma sufrieron enormes pérdidas.

El proyecto interdisciplinario entre las finanzas digitales y las finanzas tradicionales, utilizando las ventajas de la prueba empírica de los modelos financieros tradicionales clásicos y la combinación orgánica de las finanzas digitales emergentes, finalmente estableció un modelo de plataforma de préstamos financieros digitales con una base teórica y una sólida viabilidad.

La alta viabilidad y utilidad del modelo está garantizada mediante pruebas empíricas que utilizan datos históricos sobre criptomonedas. Además, los fundamentos teóricos y las metodologías empíricas de las criptomonedas en el ecosistema actual de Polkadot están bien arraigados y enriquecidos.

Al mismo tiempo, el modelo requería las siguientes innovaciones:

Comprensión y análisis completos de los eventos del "Cisne Negro". La mayoría de las firmas financieras tradicionales y los antiguos proyectos de criptomonedas usan Var y ES para invertir las correlaciones de cola, lo que a menudo subestima el riesgo de eventos de "cisne negro". Sin embargo, nuestro modelo fue diseñado para tener en cuenta completamente la evaluación de riesgos mediante la incorporación de variables ajustadas por humanos en el modelo en las primeras etapas. Nuestro objetivo final es hacer que nuestra distribución de riesgos satisfaga la distribución del Santo Grial en el futuro.

El modelo se basa en un análisis empírico riguroso y detallado. Con la experiencia previa del equipo fundador en finanzas, estadísticas y ciencia de big data, el equipo ha utilizado de manera revolucionaria varios métodos empíricos de big data y teorías estadísticas, proporcionando una base empírica para seleccionar variables moderadas en este modelo en diferentes mercados.

El modelo es sensible al tiempo y tiene un gran potencial para un mayor desarrollo. El modelo se construye utilizando variables de ajuste innovadoras, lo que aumenta la versatilidad del modelo para adaptarse a las condiciones actuales del mercado y, por lo tanto, es altamente oportuno. Al mismo tiempo, a medida que aumenta la cantidad de datos, se pueden agregar más nodos de datos a la prueba empírica para dotar al modelo de mayor poder explicativo, creando así un fuerte potencial para el desarrollo posterior del modelo.

Tags：

Bitcoin