Technical Whitepaper | Volume 26.1 | DCM Core Research

GDARI Technical Methodology

Design and Implementation of the Global Digital Asset Risk Index

Résumé : Ce document détaille le cadre mathématique et structurel du GDARI. L'indice utilise un modèle de moyenne mobile pondérée exponentiellement (EWMA) pour agréger 32 flux de données en temps réel à travers 5 piliers analytiques, offrant une mesure agrégée du risque systémique sur les marchés d'actifs numériques.

1. Architecture des Piliers

Le GDARI repose sur une structure hiérarchique où les données brutes sont normalisées avant d'être agrégées. Chaque pilier contribue au score final selon un coefficient de pondération déterminé par son impact historique sur la stabilité du marché.

Pilier Analytique	Poids (w)	Métriques Clés
Market Volatility	25%	Implied Vol (Derivs), Realized Vol (30d), Tail Risk
Liquidity Stress	30%	Bid-Ask Spreads, Depth @ 2%, Net Inflows/Outflows
Regulatory Pressure	20%	Enforcement Action Velocity, Legislative Proposals
Systemic Events	15%	Smart Contract Exploits, De-peg Frequency
Institutional Flows	10%	ETF AUM Velocity, CME Open Interest

2. Modélisation Mathématique

Pour lisser les bruits de marché tout en conservant une réactivité aux chocs soudains, nous utilisons une fonction d'agrégation EWMA :

Equation 1: Time-Weighted Component Score

S_t = (1 - λ) Σ [ w_i ⋅ x_i,t ] + λ ⋅ S_t-1

Où λ (lambda) est le facteur de lissage fixé à 0.94, équilibrant la persistance de l'historique et la pertinence des nouvelles données.

3. Normalisation et Seuils

Chaque métrique x_i est normalisée sur une échelle de 0 à 100 via une fonction Sigmoïde pour éviter les distorsions causées par des outliers extrêmes (Black Swans).

0 - 20 (Low) : Environnement de marché optimal, spreads serrés.
21 - 45 (Moderate) : Vigilance standard, volatilité cyclique.
46 - 70 (Elevated) : Risque systémique croissant, stress de liquidité détecté.
71 - 100 (Critical) : Événement de désendettement forcé ou choc exogène majeur.

4. Gouvernance des Données

Les données sont collectées via 3 sources de vérification distinctes. En cas de divergence > 2% entre les sources, le moteur d'exécution déclenche une routine de nettoyage "Outlier Filter" avant l'injection dans le modèle final.