下面给出对所提供研究报告“Leveraged positions on decentralized lending platforms”一次详尽、分节且可溯源的逐段剖析。每一处基于报告原文的结论或推断,在句末均附上页码溯源标识(例如 )。我将按开发者指示的结构(元数据与概览 → 逐节深度解读 → 图表逐一解析 → 估值/最优化方法剖析 → 风险评估 → 批判性视角 → 结论性综合)逐项展开,并尽量覆盖报告中的所有主要表格与图形。
一、元数据与概览(引言与报告概览)
- 报告题目、作者与机构:标题为 “Leveraged positions on decentralized lending platforms”,作者为 Bastien Baude、Vincent Danos、Hamza El Khallouf,署名并列出所属高校/研究机构(Université Paris‑Saclay / CNRS / ENS / Université Paris 1 等),发布日期为 2026‑01‑21。
- 研究主题与核心论点:主题为 DeFi 中的“杠杆化质押(loopy / leveraged staking)”策略及其在多借贷市场下的最优资本配置问题;主要贡献是提出一个数学框架,将多市场非凸问题化简为关于市场暴露的凸分配问题,并对三种利率模型(线性、kinked(分段拐点)、以及 Morpho 的 AdaptiveCurveIRM 自适应模型)给出封闭形式解,同时考虑最大杠杆、利用率依赖借贷成本和交易成本,并用以太坊 / Base 的 Morpho wstETH/WETH 市场历史数据进行回测验证。作者报告小规模重平衡的回测可将 APY 提升至 6.2%(对比无杠杆质押的 3.1%)。
- 报告想传达的主要信息:由于 DeFi 的“白盒”利率函数(借率作为利用率的确定性函数)和链上可观测性,可以精确计算借贷成本与头寸规模的关系,从而对杠杆化质押进行理论最优配置并在实际市场数据上验证收益与规模/频率效应。
二、逐节深度解读(逐章精读与剖析)
- Section 1 — 引言(背景与动机)
- 报告指出 loopy 策略:把质押资产(如 wstETH)作为抵押、借出底层资产(如 WETH)并再质押,重复循环以放大质押收益的做法,并说明跨多个市场、利率模型、流动性与费用的差异使最优化问题复杂。
- 强调 DeFi 的链上透明性(市场状态、利率模型、交易记录公开)使得精确建模成为可能,并把 DeFi 利率模型称为“白盒”函数(即借率为利用率的确定性函数),这为精确优化提供了关键优势。
- Section 2 — 相关工作
- 文献回顾:引用 Aave 引入的 kinked 模型(AAVE 2020),Morpho 的自适应利率(Morpho 2023),以及其它关于 DeFi 借贷、冲击传播与利率设计的研究(Bartoletti 等、Tovanich 等、Bertucci 等、Alexander 等)。报告将自身定位为从用户(投资者)视角对给定利率模型进行最优资本配置的补充工作。
- Section 3 — 单一借贷市场的头寸与记号定义
- 市场要素:对单一市场 i,定义最大贷款价值比 maxLTV_i (<1)、市场总供给 S̄_i 与已借出金额 B̄_i(以美元计量),利用率 U_i = B_i/S_i(≤1),借款利率为 b_i(Ū_i)。并假设 b_i 连续、单调递增且凸(凸性用于后续保证目标函数凹性/最优性可解)。这些符号与假设在后续推导(凸性、KKT)中是基础。
- 图示(kinked 模型示意):报告用一张示意图展示借率随利用率变化在 kink 点不可微的特征(在拐点处斜率变化显著)。见下图(来自报告 Figure 1),图解强调在高利用率接近 100% 时借率可能剧增。
- 头寸与杠杆定义:将头寸 (C_i, B_i)(抵押与借贷)定义为曝光 x_i = C_i − B_i (>0),并定义杠杆倍数 ℓ_i = C_i/(C_i−B_i) ≥ 1,因此 C_i = x_i ℓ_i, B_i = x_i (ℓ_i − 1)。抵押约束 B_i/C_i < maxLTV_i 等价于 ℓ_i ≤ 1/(1−maxLTV_i)。实践上引入内部保守杠杆上限 ℓ_i^max(通常远低于理论上界以降低清算风险,例如文中对 wstETH 取 ℓ^max = 5 作为保守值),这些设定在数值示例中被采用。 ,
- Section 4 — 最优资本配置问题的建立与化简
- 原始目标(连续时间/静态):给定总预算 ξ,目标是选择每个市场的曝光 x_i 和杠杆 ℓ_i 以最大化整体即时现金流:∑ x_i ℓ_i s − ∑ x_i(ℓ_i−1) b_i( x_i(ℓ_i−1) + B̄_i ),并满足总预算与流动性/杠杆约束(见公式 (8)–(9))。这里 s 为质押(staking)的恒定瞬时收益率(对所有市场相同),b_i 写成依赖新增借款量的函数 ĥb_i(x) = b_i((B̄_i + x)/S̄_i)。
- 关键的数学变换与凸化思路:提出将任意头寸分解为“最大杠杆化子头寸 x_i^1(以 ℓ_i^max)”与“无杠杆子头寸 x_i^0”之和(见公式 (7) 与后续推导),从而将原先关于 (x_i, ℓ_i) 的非凸优化等价转化为关于 (x_i^1, x_i^0) 的凸分配问题,目标函数变为线性(无杠杆部分)减去每个杠杆化子头寸的借款成本函数(−x h(x) 形式,其中 h = x b(x) 且 b 增加凸性),因此整体为凹(易用 KKT 求解),并可把所有无杠杆曝光聚合为单一变量 x_0,从而把问题降维为在 n+1 个“位置”上分配预算的凸问题。 ,
- Lagrange 与 λ 解释:对等式约束使用拉格朗日乘子 λ,可把问题分为“市场未饱和(x_0 = 0,λ> s)”与“市场饱和并存在正无杠杆头寸(λ = s)”两类情形。各市场的 FOC(一阶条件)在 unsaturated 情形下给出(14)式,含有 b_i 与其导数 b_i';在 kinked(不可微)处转化为次梯度条件。求解 λ^* 可通过数值根查找(例如 Brent 方法)或在某些利率模型下获取闭式解。
- 4.2 — λ^* 的经济含义
- λ^* 等同于把杠杆策略“人工化地”降低吸引力直至市场被饱和的调整因子。对于统一 ℓ^max 的情形,可以把问题等价地理解为把原始 staking rate s 替换为一个“调整后”的 s^a(λ) = s + (s−λ)/(ℓ^max − 1),λ 从 s 向上增加相当于逐步降低 s^a;等价地在借端提高人工借率以压缩可用套利直到预算约束满足。此解释有助理解算法从 λ = s 启动并逐渐增大的数值行为。
- 4.3 — 线性利率模型(Linear)
- 模型形式:b_i(B_i) = r_base + ((B̄_i + B_i)/(S̄_i u^)) r_slope1,其中 u^ 为目标利用率,r_base、r_slope1 ≥ 0。此线性情形可化为“水位填充(water‑filling)”问题并获得闭式解(命题 1),解形态 x_i^(λ) = α_i [β_i − λ]^+,并给出 α_i、β_i 的具体表达式与 λ^ 的合并式。市场按 β_i 排序,选定边界 k 满足某些累积条件,从而得到 λ^*(见公式 (22)–(26))。该结构清晰说明:当 β_i 低于 λ 时该市场被置零投资;高 β_i 的市场率先被注资。
- 4.4 — kinked(拐点)利率模型
- 模型与解的分段特征:kinked 模型在利用率 u^* 处存在拐点,借率在拐点两侧的斜率分别为 r_slope1 与 r_slope2(当超过 target 利用率时斜率可能变陡)。命题 2 给出在当前利用率低于 target(S̄_i u^* − B̄_i > 0)情况下,x_i^(λ) 的三段式闭式解(低 λ 时落在上段,λ 在 [λ_i^2, λ_i^1] 时最优点卡在拐点,即 x_i = (S̄_i u^ − B̄_i)/(ℓ_i^max − 1)),若当前利用率已超过 target,则只在第二线性段起作用(简化为线性模型情形)。这个结论解释了为何在拐点临界值 λ 范围内,最优解会“停驻”于拐点借款量。
- 4.5 — Adaptive(Morpho 的 AdaptiveCurveIRM)
- 模型要点:Adaptive 模型不仅依赖当前利用率 u,还依赖于上一次与池交互时的状态(历史利用率 u_{t_last})以及一个以时间差指数演化的 speed 因子(含参数 k_p),所以是动态 PID 类控制器的形式。为了静态优化,报告把 Adaptive 模型在不考虑动态演化的情况下重新参数化为与 kinked 等价的分段形式(即把 r_base、r_slope1、r_slope2 用 r_t^target 与 k_d 表示),并给出相应闭式解(Corollary 1)。实务中 Morpho 智能合约硬编码 u^* = 0.9、k_d = 4。 ,
- 第五节 — 交易费用处理
- 交易费用模型:若从当前持仓 \bar{x} 调整到目标 x,会产生 rebalancing cost c(x, \bar{x}),并在投资期限 T 内折现为年化影响。选择的成本形式为 c(x,\bar{x}) = γ(x,\bar{x}) | Δ total collateral |,其中 γ(x,\bar{x}) 分为两种费率 γ^+(当总抵押上升)与 γ^−(当总抵押下降),以刻画买入 wstETH(可能零费)与卖出 wstETH(可能存在折价/slippage)的非对称性;例如文中指出 Lido 的场景下 γ^+ = 0 而 γ^− 为若干基点。引入费用后问题等价于替换有效 staking rate s^+ = s − γ^+/T 或 s^− = s + γ^−/T 的情形并按算法检测哪种方向成立。该简化便于保留闭式可求解性但也隐含若干近似(见后述限制)。 ,
三、图表与表格逐一深度解读(关键图表)
(注:每个图/表我先描述其展示内容,然后解释趋势/要点,并说明其如何支撑文本论点;并在引用图片时按报告要求以 markdown 图示嵌入)
- Figure 1(page 2)
- 描述:该图为 kinked 模型的示意图,横轴为利用率 U (%),纵轴为 borrow rate (%),显示在靠近 90% 以上利用率处斜率明显增大并在 100% 附近借率暴涨(图中拐点处不可微)。
- 解读:图形直观展示了 kinked 模型的本质:在目标利用率之前借率随利用率线性上升(较温和),超过目标后斜率放大导致借率快速升高,从而对借款规模形成强约束并产生拐点最优解的可能性(支持后文在 λ 落在 [λ_i^2, λ_i^1] 时最优解锁定在拐点的数学结论)。
- Table 1 与 Figure 2(page 10)
- Table 1(page 10)内容:列出以太坊上两大 Morpho wstETH/WETH 市场的 ID、创建日期与 LLTV(表格 HTML);表中显示 Market1 LLTV 96.5%、Market2 LLTV 94.5%(较高的 LLTV 意味更高理论杠杆上限)。
- Figure 2(page 10)描述:两个市场的 WETH 储备随时间变化(实线:供给,虚线:借出),时间范围 2025‑01‑01 至 2025‑04‑01;图示中 market1 的供给量远大于 market2,market2 的供给在一段时间内显著下降。
- 解读与联系文本:图 2 支持文本结论:两个市场初期可比但到 4‑1‑2025 时 market1 规模约为 market2 的 20 倍(报告指出可能由于 market1 更高的 maxLTV 允许更多杠杆),这说明市场间规模差异在回测中会产生“大小效应”(size effect),即大资金会迅速推动利用率并提高借率,降低套利空间。
- Figure 3(page 11)
- 描述:两张子图分别展示 market1 与 market2 的利率演化(实线:有效利率;虚线:目标利率曲线),并以紫线显示 Lido staking rate;数据按小时并对借率做 1 天移动平均以去噪。
- 解读:图中可见多个短时利率尖峰(利率瞬间高于 staking),同时也存在长期利率低于 staking 的窗口(loopy 可盈利)。这支持回测策略在不同时间点选择进出市场以捕捉正的 carry(s − b) 的观点,并说明频繁重平衡可能在噪声尖峰下产生交易费用与“假信号”问题(后文交易费用讨论)。
- Table 2(page 12)与 Figures 4–8(pages 13–15)
- Table 2(page 12)摘要回测结果:在零费用设置下,loopy(低资金 10k,1h 频率,ℓ^max=5)APY=6.2%;loopy(低资 1d)5.8%;loopy(高资 10m)均为 3.7%;staking 为 3.1%。表格具体列出策略/投入/频率/e_max/APY。
- Figures 4–5(pages 13–14)展示不同策略(low cap / high cap)在回测期内各市场与 staking 的 WETH 头寸时间序列(负值表示市场借款位置),低资策略频繁在两个市场间切换,显示高主动性;而高资策略的分配更稳定并主要在 market1 循环。
- Figure 6(page 14)APY 与初始投资的函数:展示 APY 随初始投资单调下降(小规模可获得更高超额收益,随资金增大回归到基础 staking 率),曲线首次陡降后趋向平稳。
- Figure 7(page 15)显示不同 ℓ^max 值对 APY‑vs‑capital 的影响:对于小资金不同 ℓ^max 显著影响回报(更高 ℓ^max 提升小资金回报),对大资金影响趋于消失(市场饱和时杠杆上限不再是约束)。
- Figure 8(page 15)在包含 1bp 卖 wstETH→WETH 费用下的 APY 曲线以及“dynamic” 策略(仅在预期收益提高超过 20bp 时触发重平衡):展示费用显著压缩频繁重平衡策略收益,dynamic 策略在高费用/高噪声下能保留超额收益并延伸可行性范围。
- 解读综合:表与图共证报告结论(见 Table2 和 Figures):小规模 + 高频重平衡在零费用下可获得最高额外收益(6.2% vs 3.1%);资金规模增大会抬高借率并压缩套利空间;交易费用与重平衡噪声会导致“过度交易”问题,dynamic 策略可作为缓解。 ,
- Base 链回测(Appendix E,pages 19–20)
- Table 3 与 Figure 9(page 19)列出 Base 链前四大市场的 ID / LLTV(类似以太坊案例),并显示供给/借出随时间演化(market1 明显占优)。
- Figures 10–11(page 20)展示 Base 上低/高资本策略的头寸演化与包含费用的 APY 曲线;结论与以太坊一致:dynamic 策略能在费用存在时保持相对优势。
四、方法论与数学工具(估值 / 优化分析)
- 优化问题类别与凸性:通过把每个头寸拆成“满杠杆子头寸 x_i^1(ℓ_i^max)”与无杠杆子头寸 x_i^0,并把所有无杠杆合并为 x_0,原本关于杠杆与暴露的非凸问题被等价变换为可分离的凸分配问题,因而可用 KKT 条件解析最优解且在特定利率形态下得到闭式解(线性/water‑filling,kinked/adaptive 的分段闭式表达)。该等价映射及证明在附录 A 中形式化给出(构造双射 θ 与逆映射,验证目标函数值一致)。 ,
- 分析工具:使用 Lagrange 乘子 λ 将约束的分配问题转化为无约束的逐市场最优化(14),对于可微段求一阶条件,对于不可微点使用次梯度 / KKT 子梯度条件(在 kink 点)。在线性模型情形问题退化为水位填充,因而 x_i^(λ) = α_i [β_i − λ]^+ 的结构出现;在 kinked 或 adaptive 的分段情况下,解为分段(低 λ 段/卡在 kink/高 λ 段)。求 λ^ 的方法为:若 λ=s 的解满足预算约束则完成,否则由 λ>s 的情形通过解预算方程求 λ^*(数值或闭式)。 , ,
五、风险因素评估(报告识别的风险与可能影响)
- 报告直接识别并讨论的风险:
- 清算风险:抵押价格相对借贷资产下跌会触发清算,报告在静态优化中通过内部保守 ℓ^max 与对 maxLTV 的限制处理,但未在动态模型中模拟清算过程。 ,
- 交易成本与执行风险:高频重平衡在存在交易费或 slippage 时可能被费用吞噬;报告以 γ^+, γ^− 建模并讨论 γ^− 对策略收益的负面影响(例如卖出 wstETH 存在折价/延迟),并提出 dynamic 策略作为缓解。 , ,
- 市场冲击 / 流动性约束:虽然报告在可行性约束中包含 x_i(ℓ_i−1) ≤ S_i − B_i,但假设“借率在接近满利用时爆炸”通常使该约束不常绑定;报告承认对大资金的“完全流动性”假设在实践中并不成立并在 Limitations 中提出需要进一步实证。 ,
- 多主体/博弈论风险:若多位代理同时采用最优策略,会产生反馈使借率上升并导致纳什均衡,个体优化结果可能对集体不利;报告把这作为未来研究方向并建议使用均场博弈等方法扩展。 ,
- 对每个风险的潜在影响与缓解:
- 清算风险潜在影响:会导致损失放大,报告缓解方式是选择更保守 ℓ^max(例如取 5 而非理论上的 18+),但未给出基于价格波动的动态保证金规则或 VaR 约束。
- 交易成本:可通过调整重平衡阈值(dynamic 策略中阈值 20bp)和减少不必要的重平衡来缓解与减少过度交易。
- 多主体外部性:报告未提供缓解机制,只指出这需要扩展模型并进行博弈论分析。
六、批判性视角与细微差别(审慎视角)
- 假设与近似的脆弱点(基于报告自身陈述或暗示):
- 完全流动性与即时执行的假设:报告在数学模型与回测的零费基准中多次采用了“完全流动性/无滑点/可以即时打开/关闭头寸”的假设(Section 4、Backtest 初始基准),但现实中大额头寸会遇到滑点、交易深度限制与执行延迟,这会显著改变借率影响与收益曲线(报告自己在 Limitations 中承认该点)。 , ,
- 质押收益 s 被视为外生且近似常数:实际 staking rate 会随验证者奖励、取款/入金节奏与 Lido 状态波动(报告在 Limitations 中点明)。对小资金短期内近似成立,但对长期或宏观冲击下的稳健性存疑。 ,
- 交易费用模型的简化:报告将费率设为与抵押量变动呈线性比例并区分方向(γ^+, γ^−),并说明若引入与 slippage 线性相关的 γ 会使目标函数不可分离从而失去闭式解。该近似便于求解但可能低估大额交易的非线性滑点。
- 自适应(Adaptive)模型的动态性被静态化:为获取闭式解,报告省略了 AdaptiveCurveIRM 的时间演化(speed(t))的动态因素,直接对其做了参数重映射(Corollary 1),这在短期静态优化或回测窗口内或可近似,但无法捕捉频繁交互与速度因子的累积效应。 ,
- 回测窗口与样本选择:回测区间仅 2025‑01‑01 至 2025‑04‑01,且聚焦于 Morpho 上 wstETH/WETH 的两个(或 Base 上四个)最大市场,结果的稳健性受时间窗与市场结构变化影响(报告将 Base 的扩展放在附录)。对更长时间或其他资产/市场的泛化需要进一步验证。 ,
- 内部可能矛盾或需注意处:
- 报告同时使用“无交易费用作为基准”与“在现实中费率存在并显著影响策略”这两种情形进行对比,读者需注意二者的互补性与在现实部署时以费用情形为准。报告已提供包含费用的算法(s^+ / s^− 替换)与 dynamic 策略作为折衷。 , ,
七、结论性综合(关键发现汇总)
- 方法学与理论成果:报告成功将原本关于杠杆与暴露的非凸多市场最优配置问题,通过“满杠杆子头寸 + 无杠杆子头寸”的分解化简为一个凸的分配问题,并针对线性、kinked 与 adaptive 三类利率模型分别给出了闭式或分段闭式解(并给出求解 λ^* 的数值办法),这一理论贡献给予了可解释性与可实现的算法基础。 , , ,
- 实证/回测关键量化结论(以报告数值为准):
- 在 2025‑01‑01 至 2025‑04‑01 的 Morpho wstETH/WETH 市场回测中,零费条件下小规模(10k)loopy策略(1h频)最高APY≈6.210m)由于规模效应仅能达到约 3.7%(接近 staking),体现了资金规模对可得超额收益的抑制作用。
- 重平衡频率对小额资金有实质性影响(1h vs 1d 提升约 0.4 百分点),对大额资金影响微弱(市场冲击主导);交易费用(例如 1bp 卖出费)会显著降低频繁重平衡的净收益,dynamic 策略(仅在收益差 > 20bp 时重平衡)被证明在有费用环境下能更稳健地保留超额收益。 ,
- APY 随初始投资单调下降(Figure 6),并随 ℓ^max 提高在小资金段提升收益(Figure 7),但对于大资金配置差异消失(市场饱和)。 ,
- 总体评价:该报告在理论推导、数学化简与对常用 DeFi 利率模型的解析上具有较高的清晰度,并结合链上数据做了实证回测,展示了方法的可操作性与实务意义;但其主要限制在于对流动性冲击、动态清算风险、以及多主体相互作用的省略,这些在实际部署中可能导致与回测结果的偏离。 ,
八、对实践部署的建议(基于报告结论的谨慎实践要点)
- 在实际部署此类算法化 loopy 策略前应:
- 对目标市场进行深度流动性与滑点压力测试,不要盲目使用零滑点模型;对大资金采用分批执行或专门的执行算法。 ,
- 将清算概率纳入动态风控(例如基于价格波动率设定动态 ℓ 上限或附加保证金缓冲)。
- 在存在交易费用或延迟的市场,使用纪录式阈值(如 report 的 20bp)或更复杂的交易成本模型(非线性 slippage)来控制重平衡频率。 ,
- 若同类策略被多个市场参与者采用,应评估博弈外部性并考虑纳入策略集成(例如限速、随机化重平衡时点或均场博弈建模)。
最后再次总结(简短):
- 报告提出的分析框架将 loopy 策略的多市场最优配置问题转为凸分配问题并对常见 DeFi 利率模型给出解析解,具有理论与工程实现价值;回测结果在特定样本期显示小资金与高频重平衡能显著提升 APY(最高至 6.2%),但实际部署需谨慎对待流动性、交易成本、清算与多主体外部性等关键限制。以上结论均溯源于报告正文或附录中的相应页面与图表。 , ,
若您需要,我可以:
-
- 为报告中的关键公式(例如 (14)、(21)、(28) 等)逐行解读并推导关键步骤;或
-
- 将回测代码逻辑/伪代码化以便在实际系统中实现并加入滑点/清算模拟;或
-
- 基于报告提供的参数,做更长时间窗的稳健性回测建议并给出参数敏感性分析方案。
请告知您接下来希望我深化的方向。