《觅新》是金色财经推出的一档区块链项目观察类项目，覆盖行业各领域项目发展情况，具体设计到项目概况、技术进展、募资情况等，力图为您呈现热门新潮的项目合辑。
什么是Konomi？
Konomi网络使用Substrate作为开发框架，旨在为Polkadot生态系统中的资产提供货币市场。用户可以通过协议以DOT借贷、交易和获取流动性。 Konomi还发行代币，以启动其链的流动性和分散式治理。Konomi将首先建立一个独立的测试网，然后参加kusama平行链拍卖，以及随后的polkadot平行链拍卖。 该项目的动机是，目前Polkadot上的贷款基础设施的产品有限，但它是整个生态系统的重要组成部分。
Konomi的产品实现
Konomi通过Polkadot生态系统开发了自己的借贷平台，以解决传统放贷平台的现有问题和缺陷。Polkadot是一个基于Substrate的平台，它在共享安全性保护范围内进行交易时更加灵活，并且对一般用户的进入要求相对较低。
与以太坊上的DeFi的快速发展相比，Polkadot的DeFi生态系统仍处于起步阶段，潜力无限。Konomi作为一个去中心化的贷款项目，将所有用户资产的安全性视为重中之重。为了确保所有用户受到良好保护，Konomi创新地采用了将数学模型与经济理论的经验证据相结合的方法，将经验数据支持的对帐变量添加到数学模型中，成为业界整合理论的先驱和经验证据。
KONOMI抵押和清算模型
Konomi清算模型已经过严格的数学推导和历史数据的经验测试。该团队使用来自三个主要交易所（币安，火币和OKEX）的多年高频历史数据对经济学进行了实证分析。考虑到加密货币价格和“黑天鹅”事件的周期性，我们得出的结论证明与团队最初的期望相符。凭借强大的研究能力和不断的测试，我们可以放心地说，即使在极端情况下，该模型也可以保护贸易商在借贷中的合法权利。
抵押和清算模型中的因素识别
该团队以传统金融的均值标准，套利定价理论和多因素模型为基础，并考虑了现阶段加密货币的高波动性，高尾风险以及货币之间的交易量差异较大，提出了一个创新模型，以确定此平台上抵押品和清算模型中的各种因素。
因子选择方法介绍
在传统金融市场中，因素的选择包括与基本因素（价值，现金流量，盈利能力等）和技术因素（动量指数，CYE等）。但是，加密货币的非公开性质及其高波动性导致缺乏与基本面有关的信息。因此，该模型在建立初期就使用了技术因素，将其分为BRAR指数，变量分布指数，方向运动指数，体积指数，反向方向运动指数，相对强度指数等8类因素：
方向运动指数包括ACD，BBI，BIAS等；
逆向运动指数包括CCI，KDJ等；
BRAR索引包括ARBR，CR，VR等；
成交量指数包括：PSY，VOSC，VSTD等。
其他相关资料
团队基于上述基本定价模型进行了严格经验分析，以确定每种货币及其各自权重所要使用的特定因素。
该模型使用的数据是过去三年中每种货币的高频交易数据（每天0.5毫秒）（如果该货币已经存在三年，则选择的日期是2021年1月10日的第一天交易）。要使用的方法包括OLS，2OLS，混合估计模型和知识图，以建立每种货币的定量回报率系统指数。
因素的选择是模型的核心部分。由于使用过多的因素来构建模型会损害模型的可解释性，因此模型应仅选择关键因素，同时将因素保持在尽可能低的水平。回归方法和排序算法通常用于因子选择，但是鉴于加密货币市场的最新发展和相关实证研究的数量有限，因此在这种情况下选择回归方法。
此方法分为两个主要部分。首先，测试和验证影响资产收益的因素的有效性，然后消除有效但相对多余的因素。
模式的创新和贡献
我们的团队认为，该模型有可能在以下几个方面做出重大贡献。
突破了传统Defi项目建模中仅数学和仅模型的理论。加密货币的贷款项目通常仅依靠数学模型来描述参与者的角色。但是，由于其发展较晚，历史数据不足以及从业人员和交易者经验不足等因素，大多数模型在面对“黑天鹅”等极端事件时仍缺乏解释力。结果，投资者和平台都遭受了巨大的损失。
数字金融与传统金融之间的跨学科项目，利用经典传统金融模型的实证检验和新兴数字金融有机结合的优势，最终建立了具有理论基础和强大可行性的数字金融借贷平台模型。
通过使用关于加密货币的历史数据进行的经验检验，确保了该模型的高度可行性和实用性。此外，当前的Polkadot生态系统中的加密货币的理论基础和经验方法学已被根深蒂固和丰富。
同时，该模型需要以下创新：
对“黑天鹅”事件的全面理解和分析。大多数传统金融公司和以前的加密货币项目都使用Var和ES来反转尾部相关性，这常常低估了“黑天鹅”事件的风险。但是，我们的模型旨在通过在最早阶段将人为调整变量纳入模型中来充分考虑风险评估。我们的最终目标是使我们的风险分配能够在将来满足圣杯的分配。
该模型基于严格而详细的经验分析。凭借创始团队在金融，统计和大数据科学方面的背景经验，该团队革命性地使用了各种大数据经验方法和统计理论，为在不同市场中选择该模型中的适度变量提供了经验基础。
该模型具有时间敏感性，并具有进一步开发的巨大潜力。该模型使用创新的调整变量构建，从而增加了模型的多功能性以适应当前的市场状况，因此具有很强的及时性。同时，随着数据量的增加，可以将更多的数据节点添加到经验测试中，以赋予该模型更多的解释能力，从而为模型的进一步发展创造强大的潜力。
郑重声明： 本文版权归原作者所有， 转载文章仅为传播更多信息之目的， 如作者信息标记有误， 请第一时间联系我们修改或删除， 多谢。