基于信任加权信号聚合的对抗鲁棒多智能体系统稳定币设计
风险管理
2026-02-02 v1 人工智能
密码学与安全
计算金融
摘要
算法稳定币通过程序化储备管理维持目标 peg 以实现去中心化货币稳定性。然而，其储备控制器面临基于公平天气数据的盲目优化风险，忽略导致级联失败的尾部事件。2020年3月黑色星期四崩溃中，MakerDAO的抵押拍卖损失830万美元，peg偏离15%，暴露了关键缺口：现有模型如SAS系统性地忽略极端波动 regime，将极端波动情况下的协方差估计排除在外，导致在对抗压力下最优但灾难性的分配。我们提出MVF-Composer，一种信任加权均值-方差前沿储备控制器，集成新颖的压力Harness用于风险状态估计。我们的关键洞见是将多智能体仿真作为对抗压力测试器：异构智能体（交易者、流动性提供者、攻击者）在危机情景下执行协议动作，揭示储备脆弱性。我们形式化信任评分机制T: A -> [0,1]，对表现出操纵行为的智能体信号进行降权，确保风险状态估计器对信号注入和Sybil攻击具有鲁棒性。在1200个随机情景中注入黑天鹅冲击（10%抵押品下跌、50%情感崩溃、协调性赎回攻击），MVF-Composer将峰值 peg偏离降低57%，平均恢复时间缩短3.1倍。消融研究表明，信任层在对抗条件下稳定性提升中占23%，实现72%的对抗性智能体检测。该系统在普通硬件上运行，无需除标准价格 feed外的任何链上预言机，提供可复现的DeFi储备政策压力测试框架。
引用
@article{arxiv.2601.22168,
title = {Stablecoin Design with Adversarial-Robust Multi-Agent Systems via Trust-Weighted Signal Aggregation},
author = {Shengwei You and Aditya Joshi and Andrey Kuehlkamp and Jarek Nabrzyski},
journal= {arXiv preprint arXiv:2601.22168},
year = {2026}
}