論文の概要: Leverage Staking with Liquid Staking Derivatives (LSDs): Opportunities and Risks
- arxiv url: http://arxiv.org/abs/2401.08610v3
- Date: Thu, 23 May 2024 13:50:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-25 11:36:31.487166
- 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: Proof of Stake (PoS) エコシステムでは、ユーザは Lido に ETH を張って stETH (Liquid Stake Derivative, LSD) を受け取ることができる。
Lido、Aave、Curveのコンポーザビリティは、レバレッジ・ステークとして知られる新たな戦略を可能にします。
本稿では,レバレッジ・ステークの機会とリスクについて考察する。
- 参考スコア（独自算出の注目度）: 5.150039023969438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the Proof of Stake (PoS) Ethereum ecosystem, users can stake ETH on Lido to receive stETH, a Liquid Staking Derivative (LSD) that represents staked ETH and accrues staking rewards. LSDs improve the liquidity of staked assets by facilitating their use in secondary markets, such as for collateralized borrowing on Aave or asset exchanges on Curve. The composability of Lido, Aave, and Curve enables an emerging strategy known as leverage staking, where users supply stETH as collateral on Aave to borrow ETH and then acquire more stETH. This can be done directly by initially staking ETH on Lido or indirectly by swapping ETH for stETH on Curve. While this iterative process enhances financial returns, it also introduces potential risks. This paper explores the opportunities and risks of leverage staking. We establish a formal framework for leverage staking with stETH and identify 442 such positions on Ethereum over 963 days. These positions represent a total volume of 537,123 ETH (877m USD). Our data reveal that the majority (81.7%) of leverage staking positions achieved an Annual Percentage Rate (APR) higher than that of conventional staking on Lido. Despite the high returns, we also recognize the risks of leverage staking. From the Terra crash incident, we understand that token devaluation can greatly impact the market. Therefore, we conduct stress tests under extreme conditions, particularly during stETH devaluations, to thoroughly evaluate the associated risks. Our simulations indicate that leverage staking can exacerbate the risk of cascading liquidations by introducing additional selling pressures from liquidation and deleveraging activities. Moreover, this strategy poses broader systemic risks as it undermines the stability of ordinary positions by intensifying their liquidations.
- Abstract（参考訳）: Proof of Stake (PoS) Ethereumエコシステムでは、ユーザは、ETHをLidoに賭けて、ETHの利害関係を表すLSD(Liquid Stake Derivative)であるstETHを受け取ることができる。
LSDは、Aaveでの担保付き借り入れやCurveでの資産交換など、二次市場での利用を促進することで、保有資産の流動性を向上させる。
Lido、Aave、Curveのコンポーザビリティは、ユーザがETHを借りてより多くのstETHを取得するためにAaveに担保としてstETHを供給し、レバレッジ・ステークとして知られる新たな戦略を可能にする。
これは、最初はLidoでETHを、間接的にはCurveでstETHにETHを切り替えることによって直接できる。
この反復的プロセスは金融リターンを高める一方で、潜在的なリスクももたらします。
本稿では,レバレッジ・ステークの機会とリスクについて考察する。
stETHの活用のための公式なフレームワークを確立し,Ethereum上の442個の位置を963日間にわたって識別する。
これらの位置は総体積537,123 ETH (877m USD)である。
我々のデータによると、レバレッジ・ステークの過半数(81.7%)が、従来のリド・ステークよりも年間パーセンテージ・レート(APR)を達成している。
高いリターンにもかかわらず、レバレッジ・ステークのリスクも認識しています。
Terraのクラッシュインシデントから、トークンの切り下げが市場に大きな影響を与えることを理解しています。
したがって, 過酷な条件, 特に stETH 評価において, ストレステストを実施し, 関連するリスクを徹底的に評価する。
シミュレーションにより,レバレッジ・ステークは,液化および除染活動による追加販売圧力を導入することにより,カスケード液化のリスクを悪化させる可能性が示唆された。
さらに、この戦略は、液状化を強化することによって通常の位置の安定性を損なうため、より広範なシステム的リスクをもたらす。
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。