本文介绍一个无许可贷款协议（Permissionless Lending Protocols）中风险水平的评估模型。为了展现这些协议平台中存在的各种风险，我们使用了一个多因素模型来研究智能合约、抵押品和流动性风险。该模型混合了公链中链上和链下的数据来更好地评估不同的、基于以太坊的无许可贷款协议产品的相对风险水平。
中本聪创立比特币的主要动力是2008年的金融危机。他在比特币的创世区块（Genesis Block）提到了当时的银行救助计划（注1）。一些人认为，金融危机部分原因是由于金融界对整个金融体系信贷风险的误解和错误定价造成的。风险管理是现代金融中最关键的部分之一，它为我们建立了一个更加稳健和安全的金融体系。
在过去的一年里，我们看到了以太坊上无许可的金融协议爆炸式增长，其中很大一部分集中在借贷市场。这些市场已发展成为“去中心化金融”或“DeFi”的最大子类别，年增长率达355% （注2）。然而，并非所有的借贷平台都是一样的。不同的无许可贷款产品具有非常不同的风险/回报，这使得仅比较它们的利率就好像比较苹果和桔子一样毫无意义。
为了更好地理解和建模DeFi领域中的风险将是促使其走向成熟最重要的一步。有许多工作要做，但现在是开始的时候了。希望这个模型和其他类似的模型能够为DeFi进行稳健的风险评估奠定基础。
在这里，我们引入了一个定量模型来评估这种无许可贷款协议（Permissionless lending protocols）中的风险水平。
注1:
https://www.blockchain.com/btc/tx/4a5e1e4baab89f3a32518a88c31bc87f618f76673e2cc77ab2127b7afdeda33b
注2:
根据DeFi Pulse贷款类目中总锁定价值（TVL）数据
无许可贷款协议是允许用户通过以太坊的“智能合约”借贷各种不同数字资产的系统。这些“智能合约”并不是法律意义上的合约；而是有效运行在以太坊链上的计算机代码。借出资产的用户将从其贷款中获得的利息。借款人提供抵押品（通常高于借款价值），并支付可变利息。无许可贷款协议的一些项目包括compound、dydx和nuo。
在DeFi中，智能合约的风险是主要风险。尽管DeFi通常被称为去信任的(Trustless)，DeFi平台的用户必须信任他们正在交互的智能合约，这意味着用户信任合约代码就像信任Web2.0的应用那样。但智能合约对用户来说可能是不透明/磨糊的。还有一种风险是，智能合约由于不安全而遭到黑客攻击，这对合约中的用户产生严重的财务影响，包括，失去锁定在合约中的抵押品。我们提出的模型着眼于评估智能合约风险的这两个要素。
当用户在与DeFi平台交互时存在丢失锁定在智能合约中的资金风险时，智能合约的安全性就显得非常重要。正如生态系统所得到的教训那样，智能合约中的错误可能导致重大的财务损失。例如，“DAO攻击”是针对“DAO”的项目发起的攻击，“DAO”是去中心自治组织的一种形式，即以太坊链上智能合约中体现的“虚拟”组织（注3）。2016年7月17日，一个未知的个人或团体从DAO快速转移大量ETH，导致大约360万ETH - DAO的1/3 ETH - 从DAO的地址转移到攻击者控制的地址。（注4）
虽然不能保证任何智能合约都是安全的、没有错误的，但一个信誉良好的安全公司提供的彻底的代码审计和正规化的验证过程将有助于发现严重的错误。缺陷赏金计划（Bug bounty programs）是另一个积极的体现，表明开发团队对安全的重视，鼓励独立的安全研究人员发现协议代码缺陷，最终允许更广泛的安全审查监督。
我们的模型通过审查链下但公开的数据来评估代码的安全性：
- 代码审计：代码是否经过信誉良好的安全团队（consensys diligence，trail of bits，others）的审计？
- 正规验证：代码是否已经由信誉良好的安全团队正规的验证。
- 赏金计划：开发团队是否提供公开详细的代码缺陷赏金计划。
注3:
Securities and Exchange Commission, Release No. 81207, https://www.sec.gov/litigation/investreport/34‐81207.pdf (“SEC DAO Report”) at 1.
注4:
DAO攻击中资金是通过以太坊区块链（ID）的一个特别的“分叉”收回的，但这种分叉不能指望能从未来的黑客行为中收回。
DeFi承诺的一部分是，智能合约是完全在链上的，这意味着代码是可验证和透明的。虽然DeFi平台的开发人员仍然能够以各种方式隐藏他们的代码，例如不验证字节码和使用链下预言机（oracles）。这种磨糊的安全性只能提供薄弱的安全保证，最坏的情况是会导致关键错误的被延迟找到。虽然字节码反编译是可能的，但这是一个困难和耗时的过程，并且很难遵循“不相信，只验证”的口号。
代码开放性是通过审查链下的公共数据，来验证字节码是否被验证来评估。
DeFi包含许多与传统金融相同的风险。虽然大多数贷款平台使用了超额抵押来降低信贷风险，但超额抵押并不能完全消除这样的无许可信贷的风险。因为我们都知道，现在的加密资产是极不稳定的，这些平台没能够拿这些不稳定的抵押资产来全部对冲借款。
目前我们的模型着眼于金融风险的两个要素：
如果我们没能识别和接受的链上相对应借款人的声誉或身份，那么在DeFi借贷市场上避免信贷风险的唯一方法是使用超额抵押。虽然目前所有平台都使用了这种非常保守的担保，但加密资产的高波动性意味着，这些超额担保仍然不足。
这些DeFi平台支持的抵押资产也有很大的差异，其中一些由流动性更高、更稳定的资产组成（注5）。例如，一个平台接受ETH抵押。虽然ETH仍然不是一种非常稳定的资产，但与link（注6）这样的资产相比，它相对稳定且流动性高。在考虑平台风险时，这些抵押品的差异是一个重要因素。
抵押品风险是通过查看两个数据来评估的，这两个数据都能从链下数据派生出来的。第一个数据点是30天的平均抵押比率（EMA），在所有可用的贷款池中使用对数的离差标准化(Min-Max Normalization)。第二个是对抵押品组合的分析。一般情况下，EMA的计算方法如下：
• 系数α表示权重降低的程度，是介于0和1之间的常数平滑因子。选择了2/31的平滑因子。
• Yt 是时间段t上的值。这是30，用于查找30天EMA
• St是任意时间段t上EMA的值。
有许多不同的模型来评估抵押品资产组合的风险。最常见的模型之一是VAR（value at risk）模型。VAR模型有多种不同的变种。该模型目前最常用的是CVAR（条件风险价值）模型，也称为预期缺口模型。该方法使用CVAR而非VAR，因为CVAR更好地捕捉了称为黑天鹅的更极端情况的概率和下降。上图有助于证明这种差异——CVAR（ES）模型会导致更大的电位下降。由于加密资产的初级和极端波动性，该方法更为保守。模型采用99%CVAR模型，公式如下：
该百分比越高即视为CVAR更差，因为这意味着较高比例的总抵押品处于风险之中。
注5:
根据coinmarketcap的数据，ETH在过去30天的交易量达到了1907亿美元，而link则仅达到了22亿美元。
注6:
根据Yahoo Finance的数据，在过去一年中，Link-USD 30天的年化波动率高达330，ETH-USD高达165。
当前平台都试图通过使用动态利率来激励流动性，动态利率模型根据每个资产池中的流动性水平产生不同的利率。然而，激励流动性并不意味着能保证流动性。用户要承担风险，因为所有资产都已借出，在极端情况下他们将无法全部收回借出的资产。
流动性风险的评估，是链上数据中的流动性的30天均线，使用所有可用贷款池中以美元表示的流动性金额的池中使用对数的离差标准化。使用流动性的绝对水平，而不是利用率（未偿债务/总资产）的百分比，因为这有一个副作用，也会使较大的资金池得分更高。
在大多数发达的银行系统中，货币市场账户都有某种形式的存款保险。在美国，这种存款保险是联邦存款保险公司（FDIC）的保险，为单个银行存款账户提供最高25万美元的保险。在DeFi生态系统中还没有类似的存款保险。尽管在DeFi保险领域（nexus mutual）有一些有前途的创新，但还没有一个足够广泛或成熟的产品为DeFi产品做保险。
一些平台将其平台应计利息的一部分用于保险准备金，以防出现流动性紧缩或黑天鹅事件。然而，这些保险池不够大，远远无法覆盖其中一个平台上的大型破产事件所产生的损失。
作为一个行业，DeFi是非常新的，算法货币市场更是如此。这些平台的开发团队实际上还是中心化运作的，也没有一个得到美国或其他国家银行/金融监管机构的批准。这意味着，用户在与这些平台互动时也会承担一定程度的监管风险。
- 智能合约风险/Smart Contract Risk (50%)
• 代码审计/Audited code (25%)
• 合约字节码解构/All code’s byte source verified (15%)
• 正规化的验证/Formal Verification (5%)
• 缺陷赏金计划/Bug Bounty Program (5%) - 财务风险/Financial Risk (35%)
• 抵押组合CVAR /Collateral Makeup CVAR (10%)
• 30天EMA抵押比率 /Collateralization Ratio 30d EMA (15%)
• 30天EMA流动性 /Liquidity 30d EMA (10%) - 其他考虑因素 (15%)
• 保险及监管
这还不是一个有效的统计模型。没有足够的数据在产品范围内对此模型做过足够多的验证。这仅是一个观点性的评估框架，用于评估不同DeFi平台的相关风险。
这种评估方法是基于相对短期（不到一年）的投资质量意见。这些建议也不能对投资规模大小作区别对待，但这可能对流动性风险产生重大影响。该方法仍处于早期阶段，我们评级系统期待大家更正更新及反馈。
我们这种方法试图在相对的而不是绝对的基础上，比较不同的DeFi借贷市场平台风险。这是其他DeFi货币市场平台与传统金融投资（如存款账户）之间的比较。DeFi领域还很新，如果没有丰富的历史数据，就更难做出前瞻性的表述。
此模型不考虑与这些产品相关的许多其他风险，如预言机/Oracle数据风险、中心化风险和清算政策风险。
这个模型还有很多工作要做，这是早期研究。这个模型需要更多的微调及验证。在这个模型中还需要包括其他相关风险，如集中度风险、Oracle/预言机风险和清算政策风险。其中一些很难量化，这就是为什么它们没有包含在初始迭代中的原因。
最后，将这些评估要素分解成各自的、更精确的评分算法是很有意义的。这样子要素就能组合成不同类型的区块链金融产品。未来能覆盖的范围包括额外的DeFi收益类产品（如set）、合成资产产品（如maker和uma）、做市产品（如uniswap）以及对冲这些产品的各种Cefi (中心化金融) 相对应的产品。
另一个最终目标是提供一个API接口与其他评估算法互动，这样其他第一层和第二层DeFi产品就可以利用这个API。这将有助于输出研究和教育用户。
这个评估方法一开始就在Github上开源，最终目标是希望通过去中化的社区治理来确定评估的因子和因子的权重。
这项研究的最终目标是将所有的工作集中到一种DAO模式中去，像一个开源的信用评级机构那样，确定方法并支助工程师，风险管理专家和对此有贡献的其他人或机构把它实现。虽然需要在不同的时空完成的风险管理的工作会令人望而生畏，但我们对未来感到兴奋。
- Evans, Alex. “A Ratings-Based Model for Credit Events in MakerDAO.” A Ratings-Based Model for Credit Events in MakerDAO. Placeholder VC, July 2019. https://static1.squarespace.com/static/5a479ee3b7411c6102f75729/t/5d37587d026881000198ef51/1563908221879/Maker-Ratings.pdf.
- Nakamoto, Satoshi. “Bitcoin Genesis Block.” Blockchain, January 3, 2009. https://www.blockchain.com/btc/tx/4a5e1e4baab89f3a32518a88c31bc87f618f76673e2cc77ab2127b7afdeda33b?show_adv=true.
- Callagy, Robert, Vanessa Robert, Marc Pinto, and Daniel Marty. “Money Market Funds.” Money Market Funds. New York, NY: Moody's Investor Service, 2019.