Cientistas fizeram engenharia reversa do crash do Luna usando física de partículas
Algumas das mesmas técnicas usadas para estudar a história térmica do universo podem ser usadas para entender os crashes de cripto.
Apenas oito dias depois de o co-fundador da Terra, Do Kwon, ter dito à estrela do xadrez americano-canadense Alexandra Botez que 95% das criptomoedas falhariam, acrescentando que havia “entretenimento em assistir empresas morrerem”, ocorreu o colapso repentino do Luna.
Do Kwon: “95% vão morrer [moedas], mas também é divertido ver as empresas morrerem também”
8 dias atrás. Irônico. pic.twitter.com/fEQMZIyd9a
— Pedr (@EncryptedPedro) 11 de maio de 2022
Mais de US$ 40 bilhões em ativos de investidores foram perdidos no crash entre 5 e 13 de maio de 2022. Menos de um ano depois, Do Kwon foi preso após supostamente tentar fugir da acusação de atividade criminosa associada às perdas.
Desde então, volumes têm sido escritos discutindo o crash, que viu a moeda Luna (LUNC) despencar e a stablecoin UST da Terra desvincular do dólar dos EUA.
Agora, pelo que parece ser a primeira vez, cientistas aplicaram a mecânica estatística para essencialmente fazer engenharia reversa do crash usando as mesmas técnicas usadas para estudar a física de partículas.
A pesquisa, conduzida no King’s College London, se concentrou nos eventos de transações e ordens que ocorreram durante o crash. De acordo com o artigo de pesquisa pré-impressão da equipe:
“Nós vemos as ordens como partículas físicas com movimento em um eixo unidimensional. O tamanho da ordem corresponde à massa da partícula, e a distância que a ordem percorreu corresponde à distância que a partícula se move.”
Essas mesmas técnicas são usadas para mapear interações termodinâmicas, dinâmica molecular e interações em nível atômico. Ao aplicá-las a eventos individuais ocorrendo durante um período específico de tempo em um ecossistema contido, como o mercado Luna, os pesquisadores puderam obter uma compreensão mais profunda da microestrutura da moeda e das causas subjacentes do colapso.
O processo envolveu abandonar a metodologia de instantâneo envolvida na atual abordagem de última geração, detecção de anomalias baseada em Z-score, e passar para uma visão granular dos eventos à medida que ocorriam.
Ao ver os eventos como partículas, a equipe conseguiu incorporar dados de layer-3 em sua análise (que, acima dos dados de layer-1 e layer-2, inclui dados relacionados a envios, cancelamentos e correspondências de ordens).
De acordo com os pesquisadores, isso os levou a descobrir “casos generalizados de manipulação e layering no mercado”, o que contribuiu significativamente para o colapso repentino do Luna.
A equipe então desenvolveu um algoritmo para detectar layering e manipulação. Isso apresentou um desafio significativo, de acordo com o artigo, pois não há conjuntos de dados conhecidos relacionados ao colapso do Luna que contenham instâncias de manipulação ou layering rotuladas com precisão.
Para treinar seu modelo a reconhecer essas atividades sem tais dados, os pesquisadores criaram dados sintéticos. Uma vez treinado, o modelo foi aplicado ao conjunto de dados do Luna e comparado com uma análise existente conduzida pelo sistema Z-score.
“Nossa metodologia detectou com sucesso eventos de falsificação no conjunto de dados original do mercado de negociação LUNA”, escreveram os pesquisadores, observando que o método Z-score “não apenas deixou de identificar a manipulação, mas também marcou incorretamente grandes ordens limitadas como manipulação.”
Para o futuro, os pesquisadores acreditam que seu trabalho poderia servir como base para estudar a microestrutura do mercado financeiro.
VEJA MAIS:
