論文の概要: Leverage Staking with Liquid Staking Derivatives (LSDs): Opportunities and Risks
- arxiv url: http://arxiv.org/abs/2401.08610v2
- Date: Tue, 27 Feb 2024 18:44:16 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-18 08:46:40.233765
- Title: Leverage Staking with Liquid Staking Derivatives (LSDs): Opportunities and Risks
- Title（参考訳）: 液体抽出誘導体(LSD)を用いたレバレッジ・ステーク--機会とリスク
- Authors: Xihan Xiong, Zhipeng Wang, Xi Chen, William Knottenbelt, Michael Huth,
- Abstract要約: リーベージ・ステーク(leverage stake)とは、ユーザがリドにETHを賭けてstETHを取得し、stETHをAaveに担保として利用してETHを借り、リドに借りたETHをリドに再作成する新しい戦略である。
我々は,リド・アーブ生態系におけるレバレッジ・ステーク(レバレッジ・ステーク)の機会とリスクについて検討する。
我々はレバレッジ・ステークがカスケード液化のリスクを著しく増幅することを発見した。
- 参考スコア（独自算出の注目度）: 5.150039023969438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lido, the leading Liquid Staking Derivative (LSD) provider on Ethereum, allows users to stake an arbitrary amount of ETH to receive stETH, which can be integrated with Decentralized Finance (DeFi) protocols such as Aave. The composability between Lido and Aave enables a novel strategy called "leverage staking", where users stake ETH on Lido to acquire stETH, utilize stETH as collateral on Aave to borrow ETH, and then restake the borrowed ETH on Lido. Users can iteratively execute this process to optimize potential returns based on their risk profile. This paper systematically studies the opportunities and risks associated with leverage staking. We are the first to formalize the leverage staking strategy within the Lido-Aave ecosystem. Our empirical study identifies 262 leverage staking positions on Ethereum, with an aggregated staking amount of 295,243 ETH (482M USD). We discover that 90.13% of leverage staking positions have achieved higher returns than conventional staking. Furthermore, we perform stress tests to evaluate the risk introduced by leverage staking under extreme conditions. We find that leverage staking significantly amplifies the risk of cascading liquidations. We hope this paper can inform and encourage the development of robust risk management approaches to protect the Lido-Aave LSD ecosystem.
- Abstract（参考訳）: LidoはEthereum上のLiquid Stake Derivative(LSD)プロバイダで、ユーザが任意の量のETHを持てばstETHを受け取り、Aaveのような分散ファイナンス(DeFi)プロトコルと統合することができる。
Lido と Aave のコンポーザビリティにより、ユーザが Lido に ETH を賭けて stETH を取得し、stETH を Aave に担保として利用して ETH を借用し、Lido に借用した ETH を再利用する、"leverage stake" と呼ばれる新しい戦略が実現される。
ユーザは、リスクプロファイルに基づいて、このプロセスを反復的に実行して、潜在的なリターンを最適化することができる。
本稿では,レバレッジ・ステークに関連する機会とリスクを体系的に研究する。
私たちは、Lido-Aaveエコシステム内のレバレッジ戦略を形式化した最初の人です。
実験により、Ethereum上の262のレバレッジ・ステーク位置が同定され、合計295,243 ETH (482M USD) が得られた。
90.13%のレバレッジステークが従来のステークよりも高いリターンを達成したことが判明した。
さらに,過酷な条件下でのレバレッジ・ステークによって引き起こされるリスクを評価するため,ストレステストを実施している。
我々はレバレッジ・ステークがカスケード液化のリスクを著しく増幅することを発見した。
本稿は,Lido-Aave LSDエコシステムを保護すべく,ロバストリスク管理手法の開発を促進することを願っている。
関連論文リスト
- Mitigating Challenges in Ethereum's Proof-of-Stake Consensus: Evaluating the Impact of EigenLayer and Lido [4.606106768645647]
Proof-of-Work(PoW)からProof-of-Stake(PoS)コンセンサスメカニズムへの移行は、ブロックチェーンバリデーションに対する変革的なアプローチを導入している。
本稿では,EigenLayer と Lido の2つの革新的なソリューションについて検討する。
よりレジリエントで包括的なエコシステムを育むために,EigenLayer と Lido の併用の可能性を評価する。
論文 参考訳（メタデータ） (2024-10-30T19:58:46Z) - Exploring the Market Dynamics of Liquid Staking Derivatives (LSDs) [3.386981473609616]
液状溶出誘導体(LSD)は, 単独溶出に伴う液状溶出の問題に効果的に対処している。
本稿では流動性テイカー(LT)と流動性プロバイダ(LP)の両方の観点からLCD市場ダイナミクスを解析する。
論文 参考訳（メタデータ） (2024-02-27T18:34:15Z) - Adaptive Liquidity Provision in Uniswap V3 with Deep Reinforcement
Learning [19.916721360624997]
分散取引所(DEX)は、分散金融(DeFi)の基盤である
本稿では,価格範囲を適応的に調整する深層強化学習(DRL)ソリューションを提案する。
当社のアプローチは、リバランシングポートフォリオを通じて流動性ポジションをヘッジすることで、価格変動リスクを中和する。
論文 参考訳（メタデータ） (2023-09-18T20:10:28Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Safe Deployment for Counterfactual Learning to Rank with Exposure-Based
Risk Minimization [63.93275508300137]
本稿では,安全な配置を理論的に保証する新たなリスク認識型対実学習ランク法を提案する。
提案手法の有効性を実験的に検証し,データが少ない場合の動作不良の早期回避に有効であることを示す。
論文 参考訳（メタデータ） (2023-04-26T15:54:23Z) - Can Perturbations Help Reduce Investment Risks? Risk-Aware Stock
Recommendation via Split Variational Adversarial Training [44.7991257631318]
本稿では,リスクを意識したストックレコメンデーションのための新しいSVAT法を提案する。
株式レコメンデーションモデルのボラティリティを下げることで、SVATは投資リスクを効果的に低減し、リスク調整利益の点で最先端のベースラインを30%以上上回ります。
論文 参考訳（メタデータ） (2023-04-20T12:10:12Z) - Uniswap Liquidity Provision: An Online Learning Approach [49.145538162253594]
分散取引所(DEX)は、テクノロジーを活用した新しいタイプのマーケットプレイスである。
そのようなDECの1つ、Unixwap v3は、流動性プロバイダが資金のアクティブな価格間隔を指定することで、より効率的に資金を割り当てることを可能にする。
これにより、価格間隔を選択するための最適な戦略を見出すことが問題となる。
我々は、この問題を非確率的な報酬を伴うオンライン学習問題として定式化する。
論文 参考訳（メタデータ） (2023-02-01T17:21:40Z) - A Game of NFTs: Characterizing NFT Wash Trading in the Ethereum Blockchain [53.8917088220974]
非Fungible Token(NFT)市場は2021年に爆発的に成長し、2022年1月には月間貿易額が60億ドルに達した。
ウォッシュトレーディングの可能性に関する懸念が浮かび上がっており、あるパーティがNFTを取引してそのボリュームを人為的に膨らませる市場操作の形式である。
洗濯物取引は全NFTコレクションの5.66%に影響し、総生産量は3,406,110,774ドルである。
論文 参考訳（メタデータ） (2022-12-02T15:03:35Z) - Efficient Risk-Averse Reinforcement Learning [79.61412643761034]
リスク逆強化学習(RL)では、リターンのリスク測定を最適化することが目標である。
特定の条件下では、これは必然的に局所最適障壁につながることを証明し、それを回避するためのソフトリスク機構を提案する。
迷路ナビゲーション,自律運転,資源配分ベンチマークにおいて,リスク回避の改善を示す。
論文 参考訳（メタデータ） (2022-05-10T19:40:52Z) - Reinforcement learning for options on target volatility funds [0.0]
我々は、目標ボラティリティ戦略(TVS)に基づくリスクの高い証券のヘッジによる資金調達コストの上昇に対処する。
我々はこの問題をブラック・アンド・ショールズ(BS)のシナリオで解析的に解いた。
次に、局所ボラティリティ(LV)モデルの下で最も保守的な価格につながる資金組成を決定するために強化学習(RL)技術を使用します。
論文 参考訳（メタデータ） (2021-12-03T10:55:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。