覓新｜Konomi：跨鏈資產的流動性和貨幣市場協議

《覓新》是金色財經推出的一檔區塊鏈項目觀察類項目，覆蓋行業各領域項目發展情況，具體設計到項目概況、技術進展、募資情況等，力圖為您呈現熱門新潮的項目合輯。

風險提示：“金色財經·覓新”系列文章，根據項目公开消息撰稿，旨在各位讀者提供最新項目資訊，不作為投資建議。

什么是Konomi？

Konomi網絡使用Substrate作為开發框架，旨在為Polkadot生態系統中的資產提供貨幣市場。用戶可以通過協議以DOT借貸、交易和獲取流動性。 Konomi還發行代幣，以啓動其鏈的流動性和分散式治理。Konomi將首先建立一個獨立的測試網，然後參加kusama平行鏈拍賣，以及隨後的polkadot平行鏈拍賣。 該項目的動機是，目前Polkadot上的貸款基礎設施的產品有限，但它是整個生態系統的重要組成部分。

Konomi的產品實現

Konomi通過Polkadot生態系統开發了自己的借貸平臺，以解決傳統放貸平臺的現有問題和缺陷。Polkadot是一個基於Substrate的平臺，它在共享安全性保護範圍內進行交易時更加靈活，並且對一般用戶的進入要求相對較低。

與以太坊上的DeFi的快速發展相比，Polkadot的DeFi生態系統仍處於起步階段，潛力無限。Konomi作為一個去中心化的貸款項目，將所有用戶資產的安全性視為重中之重。為了確保所有用戶受到良好保護，Konomi創新地採用了將數學模型與經濟理論的經驗證據相結合的方法，將經驗數據支持的對帳變量添加到數學模型中，成為業界整合理論的先驅和經驗證據。

KONOMI抵押和清算模型

Konomi清算模型已經過嚴格的數學推導和歷史數據的經驗測試。該團隊使用來自三個主要交易所（幣安，火幣和OKEX）的多年高頻歷史數據對經濟學進行了實證分析。考慮到加密貨幣價格和“黑天鵝”事件的周期性，我們得出的結論證明與團隊最初的期望相符。憑借強大的研究能力和不斷的測試，我們可以放心地說，即使在極端情況下，該模型也可以保護貿易商在借貸中的合法權利。

抵押和清算模型中的因素識別

該團隊以傳統金融的均值標准，套利定價理論和多因素模型為基礎，並考慮了現階段加密貨幣的高波動性，高尾風險以及貨幣之間的交易量差異較大，提出了一個創新模型，以確定此平臺上抵押品和清算模型中的各種因素。

因子選擇方法介紹

在傳統金融市場中，因素的選擇包括與基本因素（價值，現金流量，盈利能力等）和技術因素（動量指數，CYE等）。但是，加密貨幣的非公开性質及其高波動性導致缺乏與基本面有關的信息。因此，該模型在建立初期就使用了技術因素，將其分為BRAR指數，變量分布指數，方向運動指數，體積指數，反向方向運動指數，相對強度指數等8類因素：

方向運動指數包括ACD，BBI，BIAS等；

逆向運動指數包括CCI，KDJ等；

BRAR索引包括ARBR，CR，VR等；

成交量指數包括：PSY，VOSC，VSTD等。

其他相關資料

團隊基於上述基本定價模型進行了嚴格經驗分析，以確定每種貨幣及其各自權重所要使用的特定因素。

該模型使用的數據是過去三年中每種貨幣的高頻交易數據（每天0.5毫秒）（如果該貨幣已經存在三年，則選擇的日期是2021年1月10日的第一天交易）。要使用的方法包括OLS，2OLS，混合估計模型和知識圖，以建立每種貨幣的定量回報率系統指數。

因素的選擇是模型的核心部分。由於使用過多的因素來構建模型會損害模型的可解釋性，因此模型應僅選擇關鍵因素，同時將因素保持在盡可能低的水平。回歸方法和排序算法通常用於因子選擇，但是鑑於加密貨幣市場的最新發展和相關實證研究的數量有限，因此在這種情況下選擇回歸方法。

此方法分為兩個主要部分。首先，測試和驗證影響資產收益的因素的有效性，然後消除有效但相對多余的因素。

模式的創新和貢獻

我們的團隊認為，該模型有可能在以下幾個方面做出重大貢獻。

突破了傳統Defi項目建模中僅數學和僅模型的理論。加密貨幣的貸款項目通常僅依靠數學模型來描述參與者的角色。但是，由於其發展較晚，歷史數據不足以及從業人員和交易者經驗不足等因素，大多數模型在面對“黑天鵝”等極端事件時仍缺乏解釋力。結果，投資者和平臺都遭受了巨大的損失。

數字金融與傳統金融之間的跨學科項目，利用經典傳統金融模型的實證檢驗和新興數字金融有機結合的優勢，最終建立了具有理論基礎和強大可行性的數字金融借貸平臺模型。

通過使用關於加密貨幣的歷史數據進行的經驗檢驗，確保了該模型的高度可行性和實用性。此外，當前的Polkadot生態系統中的加密貨幣的理論基礎和經驗方法學已被根深蒂固和豐富。

同時，該模型需要以下創新：

對“黑天鵝”事件的全面理解和分析。大多數傳統金融公司和以前的加密貨幣項目都使用Var和ES來反轉尾部相關性，這常常低估了“黑天鵝”事件的風險。但是，我們的模型旨在通過在最早階段將人為調整變量納入模型中來充分考慮風險評估。我們的最終目標是使我們的風險分配能夠在將來滿足聖杯的分配。

該模型基於嚴格而詳細的經驗分析。憑借創始團隊在金融，統計和大數據科學方面的背景經驗，該團隊革命性地使用了各種大數據經驗方法和統計理論，為在不同市場中選擇該模型中的適度變量提供了經驗基礎。

該模型具有時間敏感性，並具有進一步开發的巨大潛力。該模型使用創新的調整變量構建，從而增加了模型的多功能性以適應當前的市場狀況，因此具有很強的及時性。同時，隨着數據量的增加，可以將更多的數據節點添加到經驗測試中，以賦予該模型更多的解釋能力，從而為模型的進一步發展創造強大的潛力。

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。