穩定幣脫鉤風險的機器學習診斷
以八年市場資料比較 Logistic Regression、Random Forest、LSTM、SHAP 與三種 VaR，研究不同穩定幣架構的脫鉤風險。
這個項目證明甚麼
網站摘要、文案整理及可視化呈現由 AI 協助；研究聲稱只採用論文分析、時間驗證及已公開的限制。
八年公開市場資料、跨模型比較、SHAP、事件研究、三種 VaR 及時間外驗證。
證據路徑
最近核證2026-08-24一眼分清已上線、受保護與下一步。
論文基線、每日運作服務與 Advanced 介面分開核證；即時頁面是診斷產品，不會把歷史模型包裝成預言工具。
凍結的碩士論文基線
提交版本以 checksum 固定，八年資料、模型比較、SHAP、事件研究與 VaR 結果不被後續產品修改。
每日預先計算與數值核證
GitHub Actions 執行研究管線，Supabase 儲存結果，API 提供核證數字；計算與瀏覽介面保持分離。
Advanced 公開風險監察器
公開頁面展示 peg 結論、模型分歧、歷史壓力與資料來源，並保留持續開發標示。
更廣資產與持牌數據
FDUSD、PYUSD、宏觀資產及持牌數據仍屬後續範圍，沒有混入目前已完成聲稱。
8 years2018–2025 市場資料
3穩定幣架構比較
6.1–8.1×修正 VaR 高於參數 VaR
問題
穩定幣通常被視為低波動資產，但傳統常態分佈風險指標可能嚴重低估少見但劇烈的脫鉤事件。
做法
使用 2018 至 2025 年 USDT、USDC、DAI 及四項基準資產資料，建立分類、時間序列、事件研究、SHAP 解釋及尾部風險分析。
結果
模型適用性取決於穩定幣架構；修正 VaR 比參數 VaR 高 6.1 至 8.1 倍，而時間驗證亦揭示風險機制會在重大事件後改變。
三個測試，一個不舒服但重要的結論
切換穩定幣及證據層，逐步檢查模型適配、厚尾風險及時間穩健性。數字來自已凍結的論文分析，不是即時市場預測。
有沒有一個模型永遠勝出？
分類 F1 score · 論文樣本
抵押架構法幣抵押
線性模型略勝，但兩者差距很小；結果不支持把複雜度當成優勢。
抵押架構法幣抵押
Logistic Regression 在完整樣本明顯領先，但時間驗證會推翻過度自信的解讀。
抵押架構加密資產抵押
Random Forest 在非線性的加密抵押架構略勝；模型適配取決於風險機制。
常態分佈遺漏了甚麼？
99% 每日 VaR · 絕對值
修正／參數 VaR8.1×
偏態與厚尾令風險估算遠高於常態分佈基線。
修正／參數 VaR6.1×
偏態與厚尾令風險估算遠高於常態分佈基線。
修正／參數 VaR8.1×
偏態與厚尾令風險估算遠高於常態分佈基線。
結果能否經得起時間？
USDC · Random Forest · F1
隨機切分0.83看似有力
時間切分0.09暴露制度轉移
隨機切分看似有力，按時間分隔後卻大幅失效。重大事件會改變風險生成機制，因此模型更適合作診斷工具，而不是永恆預測器。
研究結論診斷工具，不是預言機。
架構改變模型適配
在法幣抵押與加密抵押設計之間，比較相同兩種分類模型。
平靜價格可以藏着劇烈尾部
由常態分佈基線，轉向經驗及偏態修正的風險估算。
時間才是更困難的測試
時間分隔會揭示結果能否跨越改變中的市場制度。
證據界線： 公開數字是論文期內的歷史研究結果；不構成投資建議、即時警報或未來表現保證。
版本演進
持續開發中三代產品，而不是一次換皮
同一套研究先是可操作的 Streamlit 工作台，再成為可每日運作的 Plain Monitor，最後重編為具有判斷順序的 Advanced 風險報告。三代各自留下，讓產品化過程可以被驗證。
Master Final / 2026-04 · frozen
Research workbench
深度完整，但只能由研究者操作
3,224 行腳本把資料下載、模型訓練、參數控制、圖表與匯出集中在 Streamlit。它適合探索與答辯，不適合公眾每日打開。
- 10 個互動分析分頁
- LSTM、分類、SHAP、VaR、事件研究
- 提交後 checksum 凍結
Plain Mode / 2026-08-22
Operational monitor
先解決每天能否可靠運作
計算與閱讀首次分離：GitHub Actions 預先計算，Supabase 儲存，FastAPI 與 Vercel 只讀取結果。工程已像產品，畫面仍像通用 dashboard。
- 每日 06:15 UTC 自動執行
- 11 個核心模組
- 250 項移植 parity checks
Advanced / 2026-08-23 · active
Risk intelligence report
由展示數據，升級為引導判斷
新版用五層證據編排即時狀態、模型分歧、分析依據、歷史壓力與 provenance；目前公開可用，但仍在持續修正數值語義與手機體驗。
- 即日 Peg Report 與數字驗證
- 模型分歧不被平均隱藏
- 289 項 parity checks 由 API 回報
這是我的資料科學碩士論文項目。研究重點不是把機器學習包裝成預言工具，而是測試它能否更有效地揭示穩定幣背後隱藏的風險結構。
This is my MSc Data Science dissertation project. The goal was not to present machine learning as a crystal ball, but to test whether it can expose hidden structures in stablecoin fragility more effectively than conventional linear measures.
Research design
- Daily OHLCV data from January 2018 to December 2025
- Three stablecoins: USDT, USDC, and DAI
- Four benchmarks: Bitcoin, Gold, the US Dollar Index, and 13-week US Treasury Bill yield
- Logistic Regression and Random Forest classification
- LSTM price-path forecasting
- SHAP model interpretation
- Event studies covering Terra/Luna, FTX, and the USDC/SVB episode
- Parametric, Historical, and Modified Value-at-Risk at 99% confidence
What the models revealed
Model choice was architecture-dependent. Logistic Regression performed better for the fiat-backed stablecoins, while Random Forest performed best for crypto-collateralised DAI. Peer-stablecoin volatility and cross-market stress signals were among the most informative depeg indicators.
The largest lesson came from the tails. Modified VaR estimates were 6.1 to 8.1 times their Parametric equivalents, showing how strongly a Gaussian assumption can understate stablecoin fragility.
Honest limitation
Temporal validation showed that performance can collapse when the underlying risk-generating process changes. In one untuned robustness test, USDC Random Forest F1 fell from 0.83 to 0.09 after chronological separation. That result changed how I interpret the project: the models are most valuable as diagnostic systems, not as timeless forecasting engines.
Stack
Python, pandas, scikit-learn, TensorFlow/Keras, SHAP, yfinance, statistical event analysis, and reproducible chart generation.