Các nhà khoa học đã thiết kế ngược lại vụ tai nạn chớp nhoáng của Luna bằng vật lý hạt

Một số kỹ thuật tương tự được sử dụng để nghiên cứu lịch sử nhiệt của vũ trụ có thể được sử dụng để hiểu các sự cố tiền điện tử.

Chỉ tám ngày sau khi người đồng sáng lập Terra, Do Kwon nói với ngôi sao cờ vua người Canada gốc Mỹ Alexandra Botez rằng 95% tiền điện tử sẽ thất bại, đồng thời nói thêm rằng có “sự giải trí khi chứng kiến ​​các công ty chết”, sự cố flash Luna đã xảy ra .

Do Kwon: "95% are going to die [coins], but there's also entertainment in watching companies die too"

8 days ago. Ironic. pic.twitter.com/fEQMZIyd9a

— Pedr🌐 (@EncryptedPedro) May 11, 2022

Hơn 40 tỷ USD tài sản của nhà đầu tư đã bị mất trong vụ tai nạn từ ngày 5 tháng 5 đến ngày 13 tháng 5 năm 2022. Chưa đầy một năm sau, Do Kwon bị bắt sau khi bị cáo buộc cố gắng trốn truy tố vì hoạt động tội phạm liên quan đến các khoản lỗ.

Kể từ đó, các khối lượng đã được viết thảo luận về sự cố , chứng kiến ​​​​đồng tiền Luna (LUNC) giảm mạnh và stablecoin UST của Terra mất giá so với đồng USD.

Bây giờ, dường như là lần đầu tiên, các nhà khoa học đã áp dụng cơ học thống kê để thiết kế ngược về cơ bản vụ va chạm bằng cách sử dụng các kỹ thuật tương tự được sử dụng để nghiên cứu vật lý hạt.

Nghiên cứu được thực hiện tại King’s College London, tập trung vào các sự kiện giao dịch và đơn đặt hàng xảy ra trong vụ tai nạn. Theo tài liệu nghiên cứu in sẵn của nhóm:

“Chúng tôi xem các mệnh lệnh là các hạt vật chất chuyển động trên trục 1 chiều. Kích thước thứ tự tương ứng với khối lượng hạt và khoảng cách mà thứ tự đã di chuyển tương ứng với khoảng cách mà hạt di chuyển.”

Những kỹ thuật tương tự này được sử dụng để lập bản đồ tương tác nhiệt động lực học, động lực học phân tử và tương tác cấp nguyên tử. Bằng cách áp dụng chúng cho các sự kiện riêng lẻ xảy ra trong một khoảng thời gian cụ thể trong một hệ sinh thái khép kín, chẳng hạn như thị trường Luna, các nhà nghiên cứu có thể hiểu sâu hơn về cấu trúc vi mô của đồng xu và nguyên nhân cơ bản dẫn đến sự sụp đổ.

Quá trình này bao gồm việc loại bỏ phương pháp chụp nhanh liên quan đến phương pháp tiếp cận hiện đại nhất, phát hiện bất thường dựa trên điểm Z và chuyển sang chế độ xem chi tiết về các sự kiện khi chúng xảy ra.

Bằng cách xem các sự kiện dưới dạng hạt, nhóm có thể kết hợp dữ liệu lớp 3 vào phân tích của mình (trên dữ liệu lớp 1 và lớp 2, bao gồm dữ liệu liên quan đến việc gửi, hủy và khớp đơn đặt hàng).

Theo các nhà nghiên cứu, điều này khiến họ phát hiện ra “các trường hợp giả mạo và phân tầng phổ biến trên thị trường”, góp phần rất lớn vào sự cố flash Luna.

Sau đó, nhóm đã phát triển một thuật toán để phát hiện việc phân lớp và giả mạo. Theo bài báo, điều này đưa ra một thách thức đáng kể vì không có bộ dữ liệu nào đã biết liên quan đến sự cố Luna có chứa các trường hợp giả mạo hoặc phân lớp được dán nhãn chính xác.

Để đào tạo mô hình của họ nhận ra các hoạt động này mà không cần dữ liệu như vậy, các nhà nghiên cứu đã tạo ra dữ liệu tổng hợp. Sau khi được huấn luyện, mô hình này sẽ được áp dụng cho tập dữ liệu Luna và được so sánh với phân tích hiện có được thực hiện thông qua hệ thống điểm Z.

Các nhà nghiên cứu đã viết: “Phương pháp của chúng tôi đã phát hiện thành công các sự kiện giả mạo trong tập dữ liệu gốc của thị trường giao dịch LUNA, trước khi lưu ý rằng phương pháp điểm Z “không chỉ không xác định được hành vi giả mạo mà còn đánh dấu sai các lệnh giới hạn lớn là giả mạo”.

Trong tương lai, các nhà nghiên cứu tin rằng công việc của họ có thể đóng vai trò là nền tảng để nghiên cứu cấu trúc vi mô thị trường trong lĩnh vực tài chính.