DeFi lending 中的 Logarithmic Regret：通过动态定价实现

去中心化金融（DeFi） lending 自2020年以来已 Facilitated 超过1000亿美元的贷款。DeFi lending 协议如 Aave 长期存在的低效是采用静态定价机制进行贷款，这些机制被证明既未最大化福利，也未最大化参与者在DeFi lending 协议中的收入。最近，由Morpho和Euler等人提出的自适应供给模型已成为贷款动态定价的流行手段。这种定价由一种称为 curator 的代理人 facilitate，通过出价来匹配供需。我们构建并分析了DeFi lending中静态和动态定价模型的在线学习模型。我们指出，当贷款规模小且相对于观察时间 $T$ 持续时间短时，自适应供给模型可实现 $O(\log T)$ 后悔 regret，而静态模型则无法做到比 $\Omega(\sqrt{T})$ 更好。随后我们研究了 curator 之间的竞争行为，表明自适应供给机制最大化了 borrowers 和 lenders 双方的收入和福利。