# Spectral：打造Web3信用评分系统

**Published by:** [JFLam](https://paragraph.com/@jflam/)
**Published on:** 2022-09-05
**URL:** https://paragraph.com/@jflam/spectral-web3

## Content

导语：Spectral的核心功能是计算出每个地址背后主体的多资产信用风险指数（MACRO）。该得分是反映了用户主体的链上信誉，由基于机器学习的信用风险模型计算，能够近乎即时地处理钱包的完整交易历史。世界经济的基石是信用。不论是生产活动离不开融资扩张，还是我们都生活在一个不断重复的债务周期中，信用在我们世界中已经发挥了极其重要的作用。 为了获得信贷，一个人需要证明自己的信誉，比如多次及时偿还债务来实获得高信誉。 但是这种判断方式并不全面，那些不需要借入资金但信用良好的人，也会受到当前信用评分系统的惩罚。 此外，现行的信用体系也面临着歧视问题。 即使在发达国家，这仍然是一个需要解决的长期问题。不仅从种族的角度来看，一些国家、新兴市场的企业家等群体也被信用评分系统排除在外。 另外一方面，在Web3上构建的开放金融（DeFi）蕴含了更大的可能性：由开源应用程序支持，没有中央机构来监管活动，并且本质上是无信任的，即所有参与者进行金融交易，而不需要一个中央信赖的第三方。 根据Dune Analytics上的数据显示，2021年8月底有330万DeFi用户（20年仅有42.5万）有着数量级的增加。相比于旧有系统，DeFi更有潜力，具有更低摩擦成本的优势，来构建出一个开源的、去中心化的信用评分系统。 今天，笔者要介绍的项目Spectral，就是一个链上的信用评分系统。 可以把它看作是一个链上信用风险评估分数，类似于传统的信用分数，只是它只从链上交易中产生，并且评估模型是去中心化协助，由用户控制的。 Spectral的核心功能是计算出每个地址背后主体的多资产信用风险指数（MACRO）。 该得分是反映了用户主体的链上信誉，由基于机器学习的信用风险模型计算，能够近乎即时地处理钱包的完整交易历史。MACRO评分是通过连接单个钱包或多个钱包到Spectral的应用程序来创建的。 该应用程序检索与该钱包相关的所有DeFi和非DeFi相关的交易，从这些交易中提取一些特征，将其转化为向量，并将其作为一些机器学习模型的输入，以产生一个从300分（表示非常低的信用度）到最高850分（代表非常高的信用度）的分数。 目前，官方已经开放了MACRO评分。笔者发现计算过程中，还特别显示了通过七大维度来计算信用评分。接下来，就给大家介绍一下他们分别是什么？1.DeFi交易历史 你与谁进行了交易，每笔交易的性质和数量，如借款、还款等。 2.清算历史 MACRO分数使用清算记录作为贷款违约的主要指标。一个较高的风险偏好会转化为较低的信用度或投机行为的标志。过去的清算通常会降低你的MACRO分数。 3.贷款安全边界 类似于传统金融中的贷款与价值比率（LTV）的概念，Spectral评估了用户借贷活动中超额抵押的程度。 DeFi抵押的资产价值越高，用户越倾向于规避风险，提高MACRO得分。 4.链上活动时长和其他基于时间的因素 MACRO分数还评估一个用户是否有成熟和合理的长期DeFi和链上活动的历史。旧的钱包通常可以预期有更高的MACRO分数。 5.钱包历史 钱包余额、钱包组成、ERC-20和NFT交易等因素可以反映用户的交易风险容忍度，借此可以深入了解用户的链上行为。 6.市场状况 当然，只观察清算记录而不考虑当时的市场活动是不够客观的。519事件很可能导致一个钱包所有的借贷都被清算，但是不能够证明他不讲信用。 因此Spectral会时刻关注市场情况，并且保证市场极端波动时期的清算大部分不会像正常情况下那样严重影响MACRO分数。 7.信用组合 MACRO分数也考虑到用户与DeFi借贷协议的组合。 虽然高MACRO分数不需要多样化的信贷组合（就与DeFi协议互动的数量而言），但一般来说，如果用户懂的使用各种DeFi借贷协议来进行借贷，则可以很好的分散风险。 计算完成后，会得到一个分数。得到信用评分后，Spectral为用户提供了一个不可伪造的信用（NFC）Token，这是一个代表钱包地址信用程度的ERC-721代币。 当这个NFC Token和用户其他钱包捆绑在一起时，就可以创建一个更全面的Score。使用NFC可以客观地了解你在链上的行为有多大风险。笔者认为一个评估算法，特别是基于机器学习的算法，有两个因素至关重要。 一个是训练数据的规模是否足够大，大数据集其训练出来的模型才更具有代表性。 另一个是算法黑盒子是否中心化，是否会造成传统金融中可能存在歧视的问题。 针对第一点，Spectral提到以太坊区块链的开源性质使其能够提取一个相当广泛和深入的数据集。目前，Spectral的训练数据包括来自领先的DeFi协议的三年交易数据，包括约50,000名借款人，他们进行了300万次DeFi交易，包括借款、还款和清算交易。 该模型还使用了3000万个与DeFi无关的钱包交易（如ERC-20代币转移），以提供补充的信用风险洞察力。 此外，Spectral还不断搜索和增加新的数据维度和历史数据，其中包括延伸到2019年的记录。该团队除了时间点特征外，还使用了90多个代表各种聚合和趋势的数据特征集。 针对第二点，Spectral坚信创建一个 "Scoracle网络"，激励去中心化的模型创建者共同创建准确的机器学习模型，让他们作为一个社区一起发展信用风险基础设施。 这将有助于保障MACRO分数不受偏见影响，有助于确保中立性，并不断提高准确性。 我们可以把这种协作方式看作一个“分布式信用风险建模”。不同数据建模师提出自己的信用分数评估模型，最终有机地汇总起来，以提供一个更强大和全面的信用分数。至此，我们可以认为Spectral的MACRO评分是一个潜力十足的信用评分系统。 在Spectral的计划中，目前只是刚开始。Spectral正在整合更多的DeFi借贷协议和其他相关的链上数据源（例如，去中心化的交易所，NFT等），以及正在测试部署在其他L1/L2上。 其他正在研究的领域包括可验证的计算和零知识证明的实施，以向用户和开发者提供可证明的公平和更加保护隐私的结果。 例如将机器学习模型的计算证明将与信用评分一起公布，这样用户就不需要完全信任一个特定的实体的计算结果了。 我们正在筹备一个分享、讨论Web3项目的Dao，有兴趣参加的朋友添加微信：dingdingmars

## Publication Information

- [JFLam](https://paragraph.com/@jflam/): Publication homepage
- [All Posts](https://paragraph.com/@jflam/): More posts from this publication
- [RSS Feed](https://api.paragraph.com/blogs/rss/@jflam): Subscribe to updates
- [Twitter](https://twitter.com/JFLam0529): Follow on Twitter