Minimizzare il rischio finanziario negli exchange decentralizzati

Gli Scambi Decentralizzati (DEX) stanno diventando una parte importante della finanza moderna. Permettono alle persone di scambiare criptovalute senza bisogno di un'autorità centrale. Questo nuovo modo di fare trading sta crescendo rapidamente perché molte persone cercano modi per evitare i rischi legati alla fiducia nei sistemi centralizzati. Il SIAG/FME Code Quest 2023 ha incoraggiato i team a trovare modi per migliorare i DEX, in particolare riducendo il rischio finanziario quando si fornisce liquidità a questi scambi.

#Capire i DEX e i Market Maker Automatizzati

I DEX operano in modo diverso rispetto agli scambi tradizionali. Usano contratti smart, che sono contratti auto-esecutivi con i termini scritti direttamente nel codice. Questo sistema può aiutare a evitare i problemi visti negli scambi centralizzati, come FTX, che ha affrontato seri problemi a causa della loro natura centralizzata.

Una tecnologia chiave nei DEX è il Market Maker Automatizzato (AMM). Un AMM usa algoritmi per gestire come gli asset vengono scambiati e prezzati. Il trading avviene in pool di liquidità, che sono come fondi comuni dove gli utenti depositano asset. Ci sono due gruppi coinvolti in questo processo: i Fornitori di liquidità (LP) che aggiungono fondi al pool, e i Prenditori di liquidità (LT) che scambiano asset.

Quando gli LP aggiungono fondi al pool, ricevono monete di Fornitura di Liquidità, che mostrano quanti pool possiedono. Gli LT pagano commissioni ogni volta che scambiano asset, e queste commissioni vengono suddivise tra gli LP in base a quante monete possiedono.

I prezzi negli AMM sono impostati usando formule matematiche. Il metodo più comune è il Market Maker a Prodotto Costante (CPMM), che assicura che il valore totale dei token nel pool rimanga lo stesso prima e dopo una transazione.

#L'importanza del Value at Risk Condizionato

Nel mondo della finanza, gestire il rischio è fondamentale. Una misura importante del rischio è il Value at Risk Condizionato (CVaR), che aiuta a comprendere le potenziali perdite in situazioni sfavorevoli. Questa misura diventa particolarmente rilevante quando si fornisce liquidità nei DEX, poiché diversi investimenti iniziali possono portare a ritorni molto variabili.

Minimizzare il CVaR significa trovare il modo migliore per distribuire la ricchezza tra diversi pool per ridurre le perdite potenziali mantenendo comunque buoni ritorni. Questo è ciò che i team del SIAG/FME Code Quest cercavano di ottenere con le loro strategie.

#La Sfida della Competizione

La competizione ha incaricato i partecipanti di progettare una strategia d'investimento che minimizzasse il CVaR mentre forniva liquidità in vari pool. Ogni team doveva considerare come la propria distribuzione iniziale degli investimenti avrebbe influenzato i ritorni finali e, di conseguenza, il CVaR.

I metodi tradizionali di ottimizzazione dei portafogli spesso assumono relazioni lineari tra vari fattori. Tuttavia, nel contesto degli AMM, il ritorno sull'investimento è non lineare e complesso. Di conseguenza, i team dovevano sviluppare nuove strategie in grado di affrontare efficacemente queste sfide.

#Il Nostro Approccio in Tre Fasi

Per affrontare il problema, abbiamo sviluppato un metodo in tre fasi mirato a minimizzare il CVaR in modo più efficiente:

1. Approssimazione della Funzione: Prima di tutto, abbiamo approssimato la funzione obiettivo, che misura il CVaR. Questa approssimazione è stata progettata per essere gestita più facilmente rispetto alla funzione reale, rendendo i calcoli più rapidi.

2. Minimizzazione dell'Approssimazione: Successivamente, abbiamo minimizzato la funzione approssimata per trovare un punto di partenza per il passo finale di ottimizzazione.

3. Ottimizzazione Diretta: Infine, abbiamo utilizzato il risultato del secondo passo per minimizzare direttamente la funzione CVaR effettiva, migliorando l'accuratezza complessiva.

Questo metodo ci ha permesso di affrontare le complessità matematiche coinvolte mantenendo le nostre soluzioni pratiche.

#Simulazione di Scenari di Mercato

Per calcolare risultati come il CVaR, era necessario simulare diversi scenari di mercato. La competizione ha fornito un motore di simulazione che generava ordini di mercato basati su parametri specifici. Questi parametri includevano cose come il numero di scambi, i tipi di scambi in corso e il periodo di tempo della simulazione.

Nel nostro approccio, ci siamo concentrati sulla generazione di un set di dati di scambi simulati, che ha servito come base per costruire i nostri modelli. Eseguendo numerose simulazioni, abbiamo potuto comprendere meglio i risultati potenziali per diverse strategie d'investimento.

#Utilizzo della Regresione Ridge Kernale

Per il primo passo del nostro approccio, abbiamo utilizzato la Regresione Ridge Kernale (KRR). Questo metodo statistico ci consente di fare stime educate sulle complesse relazioni tra strategie d'investimento e i loro risultati.

KRR funziona creando una versione meno complessa della nostra funzione obiettivo, che può essere valutata rapidamente. Con un dataset ben scelto, questo metodo consente previsioni accurate mantenendo i tempi di calcolo gestibili.

#Programmazione a Minimi Quadrati Sequenziali

Nell'ultimo passo, abbiamo utilizzato la Programmazione a Minimi Quadrati Sequenziali (SLSQP), una tecnica matematica che aiuta a trovare soluzioni ottimali sotto certe restrizioni. Questo metodo è particolarmente utile quando si tratta di relazioni complesse e non lineari come quelle presenti nel nostro problema d'investimento.

Partendo dai risultati del passo KRR, SLSQP ha aiutato a perfezionare la nostra strategia nella migliore soluzione possibile per minimizzare il CVaR.

#Esperimenti e Risultati: Confronto delle Strategie

Per valutare il nostro metodo proposto, lo abbiamo confrontato con altre strategie sviluppate dai team concorrenti. I nostri test hanno coinvolto l'uso degli stessi parametri di mercato della competizione e l'analisi delle prestazioni di ciascun approccio in termini di CVaR e efficienza computazionale.

Abbiamo scoperto che il nostro metodo è riuscito a ottenere risultati migliori in termini di minimizzazione del CVaR, utilizzando significativamente meno tempo computazionale. Questa efficienza è cruciale, specialmente quando si eseguono numerose simulazioni e iterazioni.

#Test di Robustezza con Parametri Variabili

Per assicurarci che il nostro approccio non stesse semplicemente sovradimensionando i parametri specifici forniti dalla sfida, abbiamo condotto test con diverse configurazioni. Variando l'orizzonte temporale e i livelli di fiducia, abbiamo potuto osservare come il nostro metodo si mantenesse in diverse situazioni.

I risultati hanno confermato che la nostra strategia era robusta e adattabile, funzionando bene in una gamma di condizioni diverse.

#Conclusione

Il nostro lavoro nel SIAG/FME Code Quest illustra il potenziale di strategie ben strutturate per minimizzare il rischio finanziario all'interno degli scambi decentralizzati. Combinando metodi statistici come la Regresione Ridge Kernale con tecniche di ottimizzazione come la Programmazione a Minimi Quadrati Sequenziali, abbiamo dimostrato un quadro potente per affrontare problemi complessi d'investimento.

Man mano che la finanza decentralizzata continua a evolversi, ci sono molte opportunità per esplorare e migliorare come vengono gestiti i rischi. I lavori futuri possono ulteriormente sviluppare questi metodi e applicarli a ambienti di trading più complessi, migliorando la nostra capacità di affrontare il panorama in continua evoluzione della finanza.

Abbracciando sia approcci innovativi che lezioni apprese dalle esperienze competitive, possiamo continuare a perfezionare le strategie d'investimento che sostengono i principi della decentralizzazione garantendo al contempo la sicurezza finanziaria per tutti i partecipanti.