オンチェーンでの信用リスク評価スコアとお考えください。オンチェーンでの取引から生成され、ユーザーの管理下にあることを除けば、従来の信用スコアと同様です。
分散型金融（DeFi）は、従来の金融の古臭く不公平な側面を再構築する前例のない機会を提供します。北米の小売消費者にとって、リスク評価や信用力という考え方は、しばしば3桁のスコア1つに集約されます。1つのスコアはわかりやすいのですが、それを維持するのは大変なことです。スコアが低下した場合、消費者はほとんど救済を受けることができず、高額な金銭的影響を受けることが多い。しかも、そのような事態を避けることはできず、間違いを正すにはストレスと時間がかかる。
信用は、書面での義務という形で、何千年も前から存在しています。現在のシステムは1980年代から1990年代にかけて開発され、消費者金融や住宅ローンの成長を促進する上で概して正確で成功しましたが、ある特定のコミュニティや人口動態を排除することもありました。Web3は、まったく新しい金融・融資のカテゴリーを作り出しました。確かに、信用力を評価するための新しいアプローチが必要な時期なのでしょう。
MACRO（Multi Asset Credit-Risk Oracle）スコアは、オンチェーンでの信用度を3桁の数値で表したもので、機械学習ベースの信用リスクモデルによって計算され、ほぼ瞬時に提供されたウォレットの完全な取引履歴を処理することが可能です。これは、オンチェーン取引から生成され、ユーザーの管理下にあることを除けば、従来のクレジットスコアに類似したオンチェーン信用リスク評価スコアとお考えください。
MACROスコアは、単一のウォレットまたは複数のウォレットを束ねたものをSpectralのアプリに接続することで作成されます。アプリは、このウォレット（または複数のウォレット）に関連するすべてのDeFiおよび非DeFi関連取引を取得し、これらの取引から多くの特徴を抽出し（詳細は以下を参照）、ベクトルに変換し、これをいくつかの機械学習（ML）モデルの入力として使用して、非常に低い信用力を示す300から非常に高い信用力を示す最大スコア850までのスコアの範囲を生成します。
Spectralアプリは、ウォレットアドレスを表すERC-721トークンであるNFC（Non-Fungible Credit）トークンを提供します。このトークンは、他のウォレットとバンドルしてさらに包括的なScoreを作成したり、燃やしたり、スマートコントラクトのデータオブジェクトとして使用し、評判のプリミティブになることができます。
NFCを使用して、自分のオンチェーン行動がどれだけリスクが高いかを客観的に見たり、次世代のDeFiのためにオンチェーン信用履歴の構築と最適化を開始したり、また、まもなく、DeFiの機会についてパーソナライズされた提案を受け取ったりすることができるようになります。
本アプリのクローズドベータ版は、2021年11月にローンチしました。当社のオープンベータは2022年8月に開始されました。
https://blog.spectral.finance/spectral-app-v0-3-0-debuts-in-open-beta/
あるアドレス、または複数のアドレスがバンドルという形でSpectralのアプリに接続されると、バンドルIDがSpectralのスコアリングシステムに提供され、MACROスコアと生成タイムスタンプを返し、それらのアドレスに関連するリスクを一緒に定量化することができるのです。1つのバンドルには1つのウォレットも数十のウォレットも関係なく、同じように扱われます。これらのアドレスに関連するすべての取引は、1つのスコアに集計されます。
スコアの決定には7つの大カテゴリーがあり、100近い機能をカバーしています。それでは、7つのスコアの構成要素について、それぞれ詳しく見ていこう。
DeFi取引履歴 Spectralは、あなたが誰と何を取引したか、借入や返済などの各取引の性質と量を調査します。これは、オンチェーンアイデンティティを効果的に定義し、あなたのMACROスコアに大きな影響を与える可能性があります。
清算履歴 MACROスコアは、ローンのデフォルトの代理として清算を使用しています。リスクに対する意欲が高ければ、信用度が低い、あるいは投機的な行動をとっていると判断されます。過去に清算を行った場合、一般的にMACROスコアは低くなります。詳しくは、デフォルトの代用としての清算をご覧ください。
ローンセーフティーマージン 従来の金融におけるLTV（ローン・トゥ・バリュー）比率の概念と同様に、Spectralは借入活動の一環として維持されるヘッドルームの量を評価します。過去のDeFi担保のレベルが高ければ高いほど、ユーザーはよりリスクを回避する傾向があり、MACROスコアを向上させることができます。
年齢や時間に基づく要因 MACROスコアは、ユーザーがDeFiやオンチェーンでの活動を確立し、それなりに長い歴史を持っているかどうかも評価します。古いウォレットは、ある程度きれいなクレジットヒストリーを維持している限り、通常より高いMACROスコアを期待することができます。
一般的なウォレットの履歴 ウォレット残高、ウォレット構成、一般的なERC-20およびNFTトランザクションなどの要素は、残高の変化やリスク許容度を表し、ユーザーのオンチェーン行動に対する洞察を与えることができます。これらの要素を組み合わせることで、Spectralはユーザーの行動や特定のプロトコルに精通していることをより良く理解することができます。
市場の状況 Spectralは、借入れを行った時点の一般的な市場変動を評価し、それらが清算にどのような影響を及ぼしうるかを検討します。市場の変動が激しい時期の清算は、通常の状況ほどMACROスコアに大きな影響を与えないかもしれません。ボラティリティの高い、あるいは不確実な市場環境において、リスクの高い借入取引を行うことはお勧めできません。
クレジットミックス MACROスコアは、ユーザーが利用したことのあるDeFiレンディングプロトコルの組み合わせも考慮します。高いMACROスコアを得るために、多様なクレジットミックス（取引したDeFiプロトコルの数）は必要ではないが、一般的に、リスクを分散するために様々なDeFiレンディングプロトコルと取引することが推奨される。
MACRO スコアはバンドルの信用度を表しているため、ウォレットの借入と返済の履歴が一般的にスコアに最も影響を及ぼします。忠実度は、記録されたトランザクションの数によって上昇します。取引がない、あるいは少ないウォレットは、それに応じてMACROスコアの精度も低くなります。
よく聞かれるのは、分散型金融がいかに若い産業であるかを考えると、Spectralは機械学習の概念を適用するのに十分なデータを持っているかということです。イーサリアムのブロックチェーンはオープンソースであるため、Spectralは実質的に幅広く、深いデータセットを抽出することができます。現在、これには、いくつかの主要なDeFiプロトコル（CompoundとAaveを含む）で記録されたすべてのオンチェーン借入取引と動作、およびユーザーのウォレット履歴と必ずしもDeFiプラットフォームで実行されていない取引に関連するいくつかのデータポイントが含まれています。UniswapやMakerDAOでのトランザクションを含む追加のソースは、間もなく本番環境に追加される予定です。
Spectralの学習データには、主要なDeFiプロトコルの4年分の取引データが含まれており、借入、返済、清算取引を含む300万件のDeFi取引を行った約5万人のユニークな借り手を表しています。このモデルはまた、3,000万件のDeFiに関連しないウォレットトランザクション（例：ERC-20トークン転送）を使用して、信用リスクに関する補足的な洞察を提供します。
Spectralは常に新しいシグナルと履歴データを検索・追加しており、その中にはEthereumの創世記ブロックまでさかのぼる記録も含まれています。チームは、ポイントインタイム機能に加え、様々な集計や傾向を表す90以上の開始セットを使用しています。
Spectralは、処理されるデータを理解することに努めています。データサイエンスと機械学習チームのほとんどは、長年に渡るDeFiのユーザーであり、Web3に関わるニュアンスやユニークな取引を理解しています。 Spectralはリスクスコアリングの際に車輪を再発明する必要がないように、従来のファイナンスやクレジットスコアリングの経験も長年持っています。
このデータから、スペクトラルは20以上の候補モデルを作成し、5つの基準で評価しています。
ベイズ探索により調整されたSpectralの20のモデル候補の様々なハイパーパラメータを、時間ベースのk-foldクロスバリデーションにより評価した。各候補モデルは、その妥当性と特徴の重要性の観点から評価された後、時間外およびサンプル外のデータに対する5つのモデル検証指標の加重平均評価によって比較されました。
Spectral のデータサイエンスチームが提供する以下の検証指標を検討する。Spectral のこれまでのベストモデルのバックテストでは、以下の検証指標とその他の関連する分布が得られました。
ROC（Receiver Operating Characteristic）曲線は，2値分類器を与えて，すべての可能な確率閾値における真陽性率と偽陽性率とをプロットしたものである．ROC曲線のAUC（Area Under the Curve）は、分類器がクラスを区別する能力（例えば、良い、悪い）を測定し、ROC曲線の要約として使用されます。SpectralのAUCは87で、一般に70を超えると良好とされる従来のクレジットスコアのAUCよりも高く、非常に優秀とされている。
Kolmogorov-Smirnov 統計 (KS) は、モデルの識別力、すなわち、良い観測と悪い観測を区別する能力を測定する、クレジットスコアリングにおける標準的な検証メトリックである。45以上のKSは、一般的にクレジットスコアリングの領域では非常に良いと考えられています。
上記の予測された確率密度関数プロットは、Spectralのモデルが、良いオブザベーションから悪いオブザベーションを識別することにおいて、合理的によく機能することを示しています - 悪いオブザベーション（ラベル=1）の確率密度関数が右側に集中し（すなわち、高い清算確率）、逆もまた然りです。
上のプロットは、様々なスコアのバケット（各バケットが 50 ポイント）にわたって MACRO スコアが分布していることを示しています。予想通り、ほぼ完璧なスコアまたは最悪のスコアを持つアドレスは非常に少なく、ほとんどのオブザベーションはその中間に位置しています。
上のプロットは、清算の確率と MACRO スコアの関係を示しており、確率が高ければ MACRO スコアは低くなり、その逆も然りである。
スコアリングメソドロジーの詳細については、スコアリングマニュアルをご覧ください。
https://docs.spectral.finance/macro-score/scoring-methodology
上記はあくまで出発点です。Spectralは、追加のDeFi貸出プロトコルと他の関連するオンチェーンデータソース（分散型取引所、NFTなど）を統合し、また他のL1/L2の実験として他のチェーンに拡張している最中です。その他の研究分野としては、検証可能な計算とゼロ知識証明の実装により、ユーザーや開発者に証明可能で公正、さらにプライバシーを保護した結果を提供します。
最も優先されるのは分散化です。Spectralは、分散化されたモデル作成者が正確な機械学習モデルを共同作成するインセンティブを与えられ、コミュニティとして共に信用リスク基盤を進化させることができる「Scoracle Network」の創設を固く信じています。これにより、MACRO Scoresをバイアスから守り、中立性の確保に貢献し、継続的に精度を向上させることができるようになります。
データサイエンティストで、このトピックについてもっと知りたいと思われる方は、contact@spectral.finance までご連絡ください。
Spectral Finance を取り巻くコミュニティは活発です。Discord で会話に参加して質問や提案をしたり、フィードバックを残したり、月刊ニュースレターを購読して Spectral の最新情報を入手することができます。
Website | Docs | Github | Discord | Twitter | LinkedIn | Newsletter