Share Dialog
Share Dialog
Subscribe to yanlanbtc
Subscribe to yanlanbtc
RociFi 的信用风险管理是一种整体方法，旨在最大限度地提高协议的安全边际，即最大限度地减少贷款违约，同时仍然能够向尽可能多的借款人提供贷款。目标是将默认值保持在较小的、可管理的数量上，以便从中吸取教训，而不是成为灾难性的。
在信用评分过程中分析的三个主要风险是：
**信用风险——**借款人有能力偿还贷款，即信用度
欺诈风险——借款人愿意偿还贷款，即诚信
声誉 风险——借款人在无法偿还贷款的情况下有损失，即社会追索权
RociFi 的信用风险是通过利率策略和违约风险模型相结合的方式进行管理的。我们通过三种方式做到这一点，通过我们的“波动率收费”作为利率加法器，我们的“风险溢价”作为基于利用率的市场调整，以及我们的NFCS。
RociFi 的费率策略是 3 部分的总和：
无风险利率只是可以相对无风险地获得的借出资本的回报率。RociFi 在 DeFi 领域的代理是 AAVE 在 USDC 上提供的存款 APY。
波动率收费是一种向借款人评估为贷款人投保“Walkaway Risk”的成本的方法。为了更好地了解 Walkaway 风险，假设您处于以下情况。你目前有 1 ETH，并希望借用这 1 ETH 的价值，比如 1 ETH 的 USDC。你来到 RociFi，发布价值 1 ETH 的抵押品，并作为回报获得价值 1 ETH 的 USDC。获得这笔贷款后不久，市场崩盘导致你的 ETH 价值下降到过去的一半。为了收回你的 1 ETH，你现在实际上必须以当前市场价格支付价值 2 ETH 的 USDC。鉴于这种困境，如果你认为你的 ETH 的价值需要很长时间才能恢复，并且如果你认为从 RociFi 借来的钱再投资的机会有限，那么你放弃贷款是合理的。因此，我们称其为“走走风险”，因为从字面上看，它是脱离贷款的风险。
RociFi 的信用风险管理是一种整体方法，旨在最大限度地提高协议的安全边际，即最大限度地减少贷款违约，同时仍然能够向尽可能多的借款人提供贷款。目标是将默认值保持在较小的、可管理的数量上，以便从中吸取教训，而不是成为灾难性的。
在信用评分过程中分析的三个主要风险是：
**信用风险——**借款人有能力偿还贷款，即信用度
欺诈风险——借款人愿意偿还贷款，即诚信
声誉 风险——借款人在无法偿还贷款的情况下有损失，即社会追索权
RociFi 的信用风险是通过利率策略和违约风险模型相结合的方式进行管理的。我们通过三种方式做到这一点，通过我们的“波动率收费”作为利率加法器，我们的“风险溢价”作为基于利用率的市场调整，以及我们的NFCS。
RociFi 的费率策略是 3 部分的总和：
无风险利率只是可以相对无风险地获得的借出资本的回报率。RociFi 在 DeFi 领域的代理是 AAVE 在 USDC 上提供的存款 APY。
波动率收费是一种向借款人评估为贷款人投保“Walkaway Risk”的成本的方法。为了更好地了解 Walkaway 风险，假设您处于以下情况。你目前有 1 ETH，并希望借用这 1 ETH 的价值，比如 1 ETH 的 USDC。你来到 RociFi，发布价值 1 ETH 的抵押品，并作为回报获得价值 1 ETH 的 USDC。获得这笔贷款后不久，市场崩盘导致你的 ETH 价值下降到过去的一半。为了收回你的 1 ETH，你现在实际上必须以当前市场价格支付价值 2 ETH 的 USDC。鉴于这种困境，如果你认为你的 ETH 的价值需要很长时间才能恢复，并且如果你认为从 RociFi 借来的钱再投资的机会有限，那么你放弃贷款是合理的。因此，我们称其为“走走风险”，因为从字面上看，它是脱离贷款的风险。
波动率费用只是根据假设的违约概率产生套期保值成本。这被添加到无风险利率中，以解决基本利率。下面是一个例子：
一旦确定了基准利率，下一步就是确定并添加风险溢价。这只是添加到基本利率的利差（正或负），以使利率与市场期望的回报率保持一致。
可以想象，如果 RociFi 贷款潜在市场的很大一部分有机会就给定风险水平和所需抵押品的正确利率进行投票，那么该投票可能会导致利率与RociFi 提供的基本利率。RociFi 认为，这种对正确利率的看法将反映在贷方资本的相对供应和贷款需求、利用率上。如果利率太低，我们预计贷方资本将非常少，而借款人非常热切，导致几乎完全利用。或者，如果利率太高，我们预计会有大量的贷方愿意放贷，但平台上的借款很少，导致利用率低。牢记这个想法，我们可以创建如下调整：
在这里，变量 U* 仅代表 0 到 100% 之间的某个理想利用率水平。当我们偏离那个水平时，我们只是向上或向下调整。我们这样做的数量由 R* 决定。读者可能会注意到，这与 AAVE 使用的方法类似，不同之处在于调整可能为负数。我们认为 AAVE 基于利用率调整费率的方法是合理的，并在推出后的某个时间选择这种方法作为我们的初始费率策略。下面我们可以看到一个示例，说明我们的最终费率在以下情况下会是什么样子：
然而，在发布时，我们不会使用动态方法，而是实施固定点差。这样做是为了更好地了解我们平台上的固定点差和利用率之间的关系，然后这些数据将在以后用于拟合我们的动态模型。
RociFi 管理违约风险的核心是 RociFi 的 NFC。NFC 考虑了 DeFi 用户在其他 DeFi 协议中的行为，并使用这些数据来估计如果提供贷款，他们违约的可能性有多大。该概率被制成从 1 到 10 的排名。
**1-3 分代表最低风险水平。**通常来说，这些将是大型机构、某些 DAO 和高声誉零售借款人。
**4-6 分代表中等风险。**这些是匿名借款人，他们的 DeFi 历史表明他们应该有良好的信用评分。这些借款人在其他协议中的借款历史中可能几乎没有违约，并且与更广泛的生态系统有广泛的互动历史。
最后，我们得到7-10 分，代表最高级别的风险。这些借款人的历史可能显示出一些先前的违约，或者这个借款人可能几乎没有 DeFi 历史。这些借款人在启动时将无法获得抵押不足的贷款。相反，他们将在高于市场的 LTV 上获得超额抵押贷款，作为在 RociFi 生态系统中建立信用和声誉的一种方式。
欺诈是 RociFi 非常关注的问题。我们投入了大量时间和资源来开发最先进的人工智能驱动模型，这些模型可以洞察特定地址是否与诸如漏洞利用、诈骗、网络钓鱼等欺诈活动有关。RociFi 已投资开发了两种识别与特定钱包地址或多个地址相关的欺诈的方法——交易模型和网络模型。拥有两个具有不同功能的不同 AI 驱动模型可以在欺诈交易行为的多个方面提供更大的覆盖范围。
RociFi 开发了一个强大的网络图，通过他们在区块链上的交互和行为来发现生态系统中的欺诈行为者。为了更好地说明，我们可以考虑下图：
图 4 展示了我们如何尝试识别网络图中的欺诈行为。此处红色节点“地址 2”表示欺诈地址。我们看到地址 1 向“地址 2”发送了 4 个 TXN，地址 4 向“地址 2”发送了 4 个 TXN，而“地址 2”向地址 4 发送了 3 个 TXN。
基于“地址 2”与其邻居（1 和 4）的交互以及这些邻居与其邻居的交互，使用来自这些交易的数据，它允许我们在尖端技术的帮助下提取一组隐式特征机器学习模型，与地址 1 和 4 一起被转换为“地址 2”本质上是欺诈的概率分数。然后将这些概率重新调整为欺诈分数，我们在 1-10 的评级范围内引入该分数以识别欺诈的严重程度（风险较低到中等和中等到高风险）。与我们的信用评分类似，“1”分表示欺诈风险最低，10 分表示欺诈概率最高。
已经为多个地址生成了一组特征，以及他们的交易对手在最近的相邻地址处的暴露（支持高达 1 跳的实时扫描所有邻居，并反复扩展至 5 跳，存储在屋）。我们通过开发多方面网络特征驱动的机器学习模型（指网络模型）来利用这些特征，该模型可以自动识别某个钱包地址的过程，无论它是否是欺诈活动的一部分。
我们开发的网络模型以著名的公开交易浏览器（包含钱包地址及其元数据）为基准，例如 Etherscan、Polygonscan 和 Cryptoscamdb 等等。我们的模型输出与输入的钱包地址对应的欺诈分数，如果给定的输入包含多个钱包地址，它可以输出一系列提供的欺诈分数。
欺诈风险的交易模型评估地址相对于其他已知欺诈行为者的交易历史，以便标记给定的钱包地址。在机器学习的帮助下，交易历史及其元数据被转换为欺诈的概率，并且该概率可以重新调整为 1 到 10 评级范围内的欺诈分数。
当欺诈数据库不知道给定地址时，首选事务级模型。与网络模型（也称为基于图的方法）相比，这种方法在鲁棒性和泛化性方面具有可比性。但是，这两种模型都有自己的跨地址覆盖范围，涵盖不同的交互行为。例如，在图 4 中，如果考虑的所有地址都没有任何链接或互连，那么我们的事务模型就可以挽救了。
大规模合成和累积事务始终是在云或本地服务器上维护的一项不断增长的任务。然而，钱包地址合成过程中的标准化可以最大限度地减少扩展问题。
我们展示的 FraudDB 包含具有欺诈性质的钱包地址。我们根据上述网络和交易模型评估钱包地址的欺诈行为。网络和交易级模型都输出一组具有相应欺诈分数（范围从 1 到 10）的欺诈地址。大多数评估的欺诈地址在网络和交易级模型中具有相似的欺诈分数，但是，某些地址集在每个模型产生的欺诈分数之间存在差异。例如，我们的网络模型将欺诈评分评为 9，而我们的交易模型将欺诈评分定为 2。
对于此类欺诈分数不同的钱包地址，我们对与公开可用的交易浏览器（如 Etherscan、Polygonscan 等）交互的此类地址进行消融分析（类似于相关性判断方法），以跟踪每个地址链接、分配的标签（ “网络钓鱼”、“被盗”等）等。作为消融测试的一部分，此后期分析旨在发现最佳欺诈分数并将其分配给欺诈地址，从我们的 AI 驱动方法的角度来看，该地址具有两种不同的评估。然后将这些经过评估的欺诈地址输入我们的欺诈数据库，以加强我们欺诈地址数据库的覆盖范围。
网络模型和交易模型的结合，以及 FraudDB 有助于降低欺诈行为者被允许访问 RociFi 生态系统的几率。然而，了解欺诈和信用风险，虽然其本身可能表现得足以管理违约风险，但它仍然是基于声誉的社会资源系统的补充。
根据国际货币基金组织的一份工作文件，合作式银行业务，例如基于储户和借款人之间的某种“共同债券”的信用合作社，通常“通过增加借款人的信息来产生经济利益……促进合作行为……减少逆向选择问题。”
上述背后的魔力在于“信用合作社在其章程中规定了许多明确的目标......必须鼓励成员储蓄和借贷......提供具有公平合理利率的信贷和贷款产品......有效使用和控制成员'为互利而储蓄。”
合作银行的例子是声誉风险的一种形式，即社会追索权，用于激励借款人和贷款人的互利行为。
这种方法历来使这些机构更加安全，因为“大多数信用合作社在最近的全球金融危机中没有遭受重大损失……合作银行一直在获得市场份额，部分原因是它们被认为更规避风险和更透明。”
S&P Global目前的数据继续支持这一观点，信用合作社在贷款质量方面远远优于商业银行。
RociFi 贷款池作为合作银行运作，NFCS 作为声誉风险运作，从而激励合作行为，同时抑制贷款违约等负面因素。
如果有资格获得抵押不足的贷款，借款人必须同意条款和条件，其中包括在发生违约时暴露其提供的链上信息。
在不还款的情况下，RociFi 将通过社交媒体和社区渠道传播违约者的信息，同时更广泛的 RociFi 社区也被激励在其网络渠道中分享。目标是创建防火墙并通过基于链上声誉的资源从 RociFi 生态系统中移除不良行为者。在偿还贷款之前，违约者将被禁止使用 RociFi。
首先，抵押不足的借款人必须在 CyberConnect 上公布其 NFCS分数。通过这种方式，借款人的信用评分和还款历史成为其公共链上身份的经过验证的数据点。
推动社会资源的核心论点：
你认为你的链上身份和声誉会在 5 年内或多或少有价值吗？
通过结合以波动率收费和市场风险溢价为代表的利率策略、以NFCS为代表的信用评分机制以及以社会追索权为代表的声誉风险措施，RociFi认为可以有效管理抵押不足贷款带来的违约风险。
当然，这些措施并不完美，随着时间的推移，随着 RociFi 收集更多数据，我们将能够提高我们产品的质量。
最终推出后，样本外 RociFi 贷款的表现将是我们如何管理违约风险的最佳表现指标，以及可以做些什么来进一步微调和改进我们的产品。
RociFi 为 Web3 带来了抵押不足的信贷
波动率费用只是根据假设的违约概率产生套期保值成本。这被添加到无风险利率中，以解决基本利率。下面是一个例子：
一旦确定了基准利率，下一步就是确定并添加风险溢价。这只是添加到基本利率的利差（正或负），以使利率与市场期望的回报率保持一致。
可以想象，如果 RociFi 贷款潜在市场的很大一部分有机会就给定风险水平和所需抵押品的正确利率进行投票，那么该投票可能会导致利率与RociFi 提供的基本利率。RociFi 认为，这种对正确利率的看法将反映在贷方资本的相对供应和贷款需求、利用率上。如果利率太低，我们预计贷方资本将非常少，而借款人非常热切，导致几乎完全利用。或者，如果利率太高，我们预计会有大量的贷方愿意放贷，但平台上的借款很少，导致利用率低。牢记这个想法，我们可以创建如下调整：
在这里，变量 U* 仅代表 0 到 100% 之间的某个理想利用率水平。当我们偏离那个水平时，我们只是向上或向下调整。我们这样做的数量由 R* 决定。读者可能会注意到，这与 AAVE 使用的方法类似，不同之处在于调整可能为负数。我们认为 AAVE 基于利用率调整费率的方法是合理的，并在推出后的某个时间选择这种方法作为我们的初始费率策略。下面我们可以看到一个示例，说明我们的最终费率在以下情况下会是什么样子：
然而，在发布时，我们不会使用动态方法，而是实施固定点差。这样做是为了更好地了解我们平台上的固定点差和利用率之间的关系，然后这些数据将在以后用于拟合我们的动态模型。
RociFi 管理违约风险的核心是 RociFi 的 NFC。NFC 考虑了 DeFi 用户在其他 DeFi 协议中的行为，并使用这些数据来估计如果提供贷款，他们违约的可能性有多大。该概率被制成从 1 到 10 的排名。
**1-3 分代表最低风险水平。**通常来说，这些将是大型机构、某些 DAO 和高声誉零售借款人。
**4-6 分代表中等风险。**这些是匿名借款人，他们的 DeFi 历史表明他们应该有良好的信用评分。这些借款人在其他协议中的借款历史中可能几乎没有违约，并且与更广泛的生态系统有广泛的互动历史。
最后，我们得到7-10 分，代表最高级别的风险。这些借款人的历史可能显示出一些先前的违约，或者这个借款人可能几乎没有 DeFi 历史。这些借款人在启动时将无法获得抵押不足的贷款。相反，他们将在高于市场的 LTV 上获得超额抵押贷款，作为在 RociFi 生态系统中建立信用和声誉的一种方式。
欺诈是 RociFi 非常关注的问题。我们投入了大量时间和资源来开发最先进的人工智能驱动模型，这些模型可以洞察特定地址是否与诸如漏洞利用、诈骗、网络钓鱼等欺诈活动有关。RociFi 已投资开发了两种识别与特定钱包地址或多个地址相关的欺诈的方法——交易模型和网络模型。拥有两个具有不同功能的不同 AI 驱动模型可以在欺诈交易行为的多个方面提供更大的覆盖范围。
RociFi 开发了一个强大的网络图，通过他们在区块链上的交互和行为来发现生态系统中的欺诈行为者。为了更好地说明，我们可以考虑下图：
图 4 展示了我们如何尝试识别网络图中的欺诈行为。此处红色节点“地址 2”表示欺诈地址。我们看到地址 1 向“地址 2”发送了 4 个 TXN，地址 4 向“地址 2”发送了 4 个 TXN，而“地址 2”向地址 4 发送了 3 个 TXN。
基于“地址 2”与其邻居（1 和 4）的交互以及这些邻居与其邻居的交互，使用来自这些交易的数据，它允许我们在尖端技术的帮助下提取一组隐式特征机器学习模型，与地址 1 和 4 一起被转换为“地址 2”本质上是欺诈的概率分数。然后将这些概率重新调整为欺诈分数，我们在 1-10 的评级范围内引入该分数以识别欺诈的严重程度（风险较低到中等和中等到高风险）。与我们的信用评分类似，“1”分表示欺诈风险最低，10 分表示欺诈概率最高。
已经为多个地址生成了一组特征，以及他们的交易对手在最近的相邻地址处的暴露（支持高达 1 跳的实时扫描所有邻居，并反复扩展至 5 跳，存储在屋）。我们通过开发多方面网络特征驱动的机器学习模型（指网络模型）来利用这些特征，该模型可以自动识别某个钱包地址的过程，无论它是否是欺诈活动的一部分。
我们开发的网络模型以著名的公开交易浏览器（包含钱包地址及其元数据）为基准，例如 Etherscan、Polygonscan 和 Cryptoscamdb 等等。我们的模型输出与输入的钱包地址对应的欺诈分数，如果给定的输入包含多个钱包地址，它可以输出一系列提供的欺诈分数。
欺诈风险的交易模型评估地址相对于其他已知欺诈行为者的交易历史，以便标记给定的钱包地址。在机器学习的帮助下，交易历史及其元数据被转换为欺诈的概率，并且该概率可以重新调整为 1 到 10 评级范围内的欺诈分数。
当欺诈数据库不知道给定地址时，首选事务级模型。与网络模型（也称为基于图的方法）相比，这种方法在鲁棒性和泛化性方面具有可比性。但是，这两种模型都有自己的跨地址覆盖范围，涵盖不同的交互行为。例如，在图 4 中，如果考虑的所有地址都没有任何链接或互连，那么我们的事务模型就可以挽救了。
大规模合成和累积事务始终是在云或本地服务器上维护的一项不断增长的任务。然而，钱包地址合成过程中的标准化可以最大限度地减少扩展问题。
我们展示的 FraudDB 包含具有欺诈性质的钱包地址。我们根据上述网络和交易模型评估钱包地址的欺诈行为。网络和交易级模型都输出一组具有相应欺诈分数（范围从 1 到 10）的欺诈地址。大多数评估的欺诈地址在网络和交易级模型中具有相似的欺诈分数，但是，某些地址集在每个模型产生的欺诈分数之间存在差异。例如，我们的网络模型将欺诈评分评为 9，而我们的交易模型将欺诈评分定为 2。
对于此类欺诈分数不同的钱包地址，我们对与公开可用的交易浏览器（如 Etherscan、Polygonscan 等）交互的此类地址进行消融分析（类似于相关性判断方法），以跟踪每个地址链接、分配的标签（ “网络钓鱼”、“被盗”等）等。作为消融测试的一部分，此后期分析旨在发现最佳欺诈分数并将其分配给欺诈地址，从我们的 AI 驱动方法的角度来看，该地址具有两种不同的评估。然后将这些经过评估的欺诈地址输入我们的欺诈数据库，以加强我们欺诈地址数据库的覆盖范围。
网络模型和交易模型的结合，以及 FraudDB 有助于降低欺诈行为者被允许访问 RociFi 生态系统的几率。然而，了解欺诈和信用风险，虽然其本身可能表现得足以管理违约风险，但它仍然是基于声誉的社会资源系统的补充。
根据国际货币基金组织的一份工作文件，合作式银行业务，例如基于储户和借款人之间的某种“共同债券”的信用合作社，通常“通过增加借款人的信息来产生经济利益……促进合作行为……减少逆向选择问题。”
上述背后的魔力在于“信用合作社在其章程中规定了许多明确的目标......必须鼓励成员储蓄和借贷......提供具有公平合理利率的信贷和贷款产品......有效使用和控制成员'为互利而储蓄。”
合作银行的例子是声誉风险的一种形式，即社会追索权，用于激励借款人和贷款人的互利行为。
这种方法历来使这些机构更加安全，因为“大多数信用合作社在最近的全球金融危机中没有遭受重大损失……合作银行一直在获得市场份额，部分原因是它们被认为更规避风险和更透明。”
S&P Global目前的数据继续支持这一观点，信用合作社在贷款质量方面远远优于商业银行。
RociFi 贷款池作为合作银行运作，NFCS 作为声誉风险运作，从而激励合作行为，同时抑制贷款违约等负面因素。
如果有资格获得抵押不足的贷款，借款人必须同意条款和条件，其中包括在发生违约时暴露其提供的链上信息。
在不还款的情况下，RociFi 将通过社交媒体和社区渠道传播违约者的信息，同时更广泛的 RociFi 社区也被激励在其网络渠道中分享。目标是创建防火墙并通过基于链上声誉的资源从 RociFi 生态系统中移除不良行为者。在偿还贷款之前，违约者将被禁止使用 RociFi。
首先，抵押不足的借款人必须在 CyberConnect 上公布其 NFCS分数。通过这种方式，借款人的信用评分和还款历史成为其公共链上身份的经过验证的数据点。
推动社会资源的核心论点：
你认为你的链上身份和声誉会在 5 年内或多或少有价值吗？
通过结合以波动率收费和市场风险溢价为代表的利率策略、以NFCS为代表的信用评分机制以及以社会追索权为代表的声誉风险措施，RociFi认为可以有效管理抵押不足贷款带来的违约风险。
当然，这些措施并不完美，随着时间的推移，随着 RociFi 收集更多数据，我们将能够提高我们产品的质量。
最终推出后，样本外 RociFi 贷款的表现将是我们如何管理违约风险的最佳表现指标，以及可以做些什么来进一步微调和改进我们的产品。
RociFi 为 Web3 带来了抵押不足的信贷
<100 subscribers
<100 subscribers
No activity yet